神经反馈治疗对注意力缺陷多动障碍儿童脑电相干性影响的研究

比较Theta/beta神经反馈治疗前后脑电相干性的变化,从而证明神经反馈对注意力缺陷多动障碍(attention deficit hyperactivity disorder,ADHD)儿童脑电存在积极正向影响。通过采集16例ADHD患者神经反馈前后清醒闭眼脑电和16例正常儿童清醒闭眼脑电数据。研究了6个频段半球间和半球内脑电相干性。结果表明,神经反馈训练后ADHD儿童中短距离半球内theta频段相干性显著降低,长距离半球内theta和alpha频段相干性显著增加。在额区和颞区半球间alpha频段相干性显著增加并且theta频段相干性显著降低,在中央区-顶区-枕区半球间delta和theta频段相干性显著降低。可见,theta/beta神经反馈能影响ADHD儿童异常脑电活动,从而改善ADHD症状。神经反馈干预训练对脑电相干性有积极的影响,脑电相干性参数能够为评价神经反馈的作用提供一种客观的技术方法。     

睡眠剥夺影响大脑功能区状态的非线性评价

采用近似熵研究睡眠剥夺（sleep deprivation，SD）对脑认知功能的影响，评价SD引起的大脑功能区状态的非线性变化．12名受试者在正常睡眠和一夜SD之后分别接受视觉注意力测试，记录自发脑电和诱发脑电，采用二维插值构建19导脑电近似熵脑信息图（brain information map，BIM）．结果表明，在SD状态下，自发脑电的近似熵在全脑范围内有不同程度的下降，额叶处大脑偏侧性发生变化，复杂度的中心从左脑转移到右脑；前额叶处诱发脑电近似熵值降低，而顶叶和颞叶处则升高．脑电近似熵可以作为指标来评价SD对脑认知功能的负向影响，BIM的变化趋势与从生理学及影像学角度的分析相吻合，与线性方法的研究结论一致，在一定程度上可以反映大脑功能状态，提供一条评价脑功能区状态变化趋势的思路．     

不同脑负荷脑电特征的近似熵表征研究

目的研究不同生理状态下的脑电特征(EEG)。方法利用一种度量时间序列复杂性的非线性统计方法——近似熵(ApEn)方法。结果近似熵能够有效地反映脑电信号的变化情况。结论近似熵是一种值得重视且很有发展前景的复杂性分析方法。     

基于对称导联脑电信号分析方法的脑损伤区域的判别

为研究采用脑电信号判别脑损伤的部位,提出了基于对称导联的信号分析方法。首先,获取安静状态和唤名刺激下脑电数据,提取脑电信号的近似熵和频谱特征;然后,分别计算对称导联的EEG特征,并对损伤区和非损伤区两组的特征值进行单因素方差分析;最后,选取一个病例,分析不同部位的特征参数比值进行损伤部位的判别,并同CT图像诊断结果进行匹配对比。结果表明,严重意识障碍患者的脑损伤和未损伤部位对称电极之间脑电特征参数比值具有显著性的差异(P0.05)。单一病例的分析结果表明,采用本文提出的方法所得出的判断结果是正确的。因此,该方法能够简便可靠地实现脑损伤部位的判别,在临床辅助诊断中有一定的应用推广价值。     

K-means聚类神经网络分类器在睡眠脑电分期中的应用研究

利用近似熵的方法对睡眠EEG信号进行分期,但睡眠Ⅲ期和Ⅳ期近似熵值非常接近,靠近似熵值无法区分,对分期结果中的Ⅲ期和Ⅳ期EEG信号进行AR(自回归)建模,作为该段EEG信号的特征属性,利用K-means聚类的神经网络分类器对睡眠Ⅲ期和Ⅳ期进行分期,达到了很好的分期效果.     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

人体HRV信号的检测及其复杂性分析

设计开发了一种便携式心电监测仪器,用于监测人的肢体心电(ECG)信号.根据获得的心电数据,采用小波变换技术进行心电R峰的准确定位,进而得到HRV序列.对HRV信号进行复杂性分析的结果表明:处于健康状态下HRV信号的复杂度(C(N))要高于处于病理状态下HRV信号的复杂度,且近似熵和复杂度的分析结果一致;处于健康状态下HRV信号的近似熵要高于处于病理状态HRV信号的近似熵.     

基于样本熵的注意力相关脑电特征信息提取与分类

提出一种用样本熵作为特征进行注意力相关脑电信号的分析与分类处理、并采用支持向量机(SVM)算法实现分类器的方法.7位年龄在20~30岁之间的男性受试者接受了执行3种不同注意任务状态下的测试.数据分析结果显示:样本熵分类法对注意任务相关脑电信号分类的正确率可达85.5%,优于传统频段能量法获得的分类精度(77.9%).这个结果暗示了样本熵能有效地识别出自发脑电中注意力相关信息,因而它可在脑电生物信息反馈治疗系统设计中获得广泛的应用.     

基于遗传算法和概率神经网络提高脑机接口中脑电信号识别率

针对脑机接口（BCI）研究中存在脑电信号（EEG）识别率低的问题，提出一种基于遗传算法（GA）和概率神经网络（PNN）的GA—PNN识别方法．用该方法对EEG提取时频特征，构成模式识别的初始特征．以训练样本识别正确率为适应度函数，采用GA对初始特征进行组合优化．基于优选后的特征，用PNN对测试样本进行分类．该方法使EEG识别正确率达到92．499／5，与2003年BCI国际竞赛最好的处理结果（88．7％）相比，提高近4％，为BCI中EEG的识别提供了有效的手段．     

基于脑机接口竞赛脑电数据集的运动想象识别影响因素分析

针对两个常用的脑机接口(brain computer interfacing,BCI)竞赛运动想象任务脑电数据集——2003Ⅲ和2005Ⅲa,分类识别率差异较大的问题,结合运动想象脑电信号的生理基础,从信号噪声、受试者反应程度和C3、C4通道信号能量差异三个方面对两个数据集的数据进行了分析比较。结果表明:与2005Ⅲa数据集相比,2003Ⅲ数据集信噪比较高,受试者对运动想象任务的反应更明显,并且C3C4通道的信号能量差异趋势更标准,解释了对2003Ⅲ数据集的识别率普遍高于2005Ⅲa数据集这一现象,说明这三个因素是影响识别率的主要因素。研究为运动想象脑电数据有效性分析以及提高基于脑电的运动想象识别率提供了新的思路。     

基于Tsallis熵和近似熵的认知事件相关电位动态复杂度分析

提供了两种分析认知事件相关电位（ERP）复杂度动态变化的估计算法——时变Tsallis熵（ETsEn）和时变近似熵（EApEn），并将其应用于分析Stroop任务中ERP的动态复杂度．实验发现：BTsEn比EApEn能更好地反映不同刺激类型的ERP复杂度差异；EApEn比ETsEn能更准确地体现ERP复杂度随时间变化的规律．额区、中央区和顶区的ERP的ETsEn和EApEn在刺激前、刺激处理过程中、刺激处理后均有显著差异，即在刺激前熵较大且无明显变化，刺激处理过程中熵显著减小，刺激处理完成后熵恢复至刺激前状态，其变化的时序与行为数据基本一致。结果证明了时变的Tsallis熵和近似熵对动态复杂度从不同方面度量的有效性，为客观度量ERP的复杂度提供了新方法．     

基于ICA与PSD的ERD／ERS信号检测

介绍一种基于独立分量分析（ICA）空间滤波结合功率谱密度（PSD）曲线分析法用于提取大脑在想象动作时产生事件相关去同步／同步（ERD／ERS）信号的方法．其检测流程为：先对想象动作诱发的脑电（EEG）信号进行ICA分解得到独立分量与相应的解混矩阵,再按特征频段取其主要分量得到滤波后数据,然后采用短时傅里叶变换计算相关导联EEG信号在特征时段与频段的PSD曲线,引入ERD／ERS系数作为量化指标以进行想象动作的识别．计算结果表明,上述方法能够显著增强运动想象脑电信号的ERD／ERS特征信息,且通过实际分类验证,采用该方法可以获得更高的识别正确率,较传统信息检测方法平均提高8％以上．     

动态近似熵快速算法在心率变异研究中的应用

提出了一种动态近似熵的快速算法,只要较短数据就能表现信号的非线性特征,并大大缩短了计算时间.对心率变异性分析中静卧-行走实验采集的R-R间期信号进行了动态近似熵分析,描述了心率调节作用的动态变化,反映了受试者生理状态的改变与心率变异的无序性.     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

基于复杂性测度的心率状态对比

本文介绍了近似熵（ApEn)和谱熵（SE）两种复杂性测度，研究了在两组静默（采用中国气功和Kundalini瑜珈练习方法）和正常状态下的心率复杂性。观察到两种状态下复杂度有明显差异，但两种状态下复杂性数值的大小关系对取决于不同的个体。研究结果进一步在心率变化的复杂性方面支持了关于在人体心率和自主调节间存在某种关联的看法，并提供了新的定量描述心率不同状态的方式和途径。     

自适应单次运动想像最优特征提取研究

为得到区分左右手运动想像脑电信号的最优特征,提出了一种自适应单次脑电特征提取方法.该算法先按运动想像电位生理学原理对不同被试寻找事件相关去同步/同步(ERD/ERS)现象最明显的频段与时间段,再按照这些参数提取C3,C4导脑电信号的能量,最后取其能量比值作为左右手想像分类的特征.采用公共标准数据集做测试,运用支持向量机(SVM)进行分类,并与AR特征提取法对照.结果表明,该法可有效提高分类正确率(平均90.7%,最佳98.7%),优于使用固定频段与时间段的AR特征提取法(平均77.4%,最佳92.8%),且算法复杂度低于AR特征提取法,适应性稍强于AR特征提取法,适合在线应用.     

快速序列视觉呈现任务下的脑电分类算法

提出了一个在快速序列视觉呈现任务下的脑电信号分类算法.将图片序列快速呈现给受试者并将同步采集脑电信号,将脑电信号截取分段作为样本集.通过约束有监督降维后样本与样本中心差值的趋近方向,使用训练集脑电数据训练得到映射矩阵;通过特征提取函数将训练集和测试集的脑电数据样本变换为特征矢量,使用支持向量机对样本进行分类.实验结果表明,算法对24名受试者的脑电信号分类的平均正确率为91.5%,平均AUC达到了0.95,证明脑电分类算法具有良好的分类性能,可以在快速序列视觉呈现任务中准确地识别目标图片.     

基于共空间模式和K近邻分类器的脑-机接口信号分类方法

脑-机接口是指在人脑和计算机之间建立的直接的交流和控制通道,它以脑电信号的形式反映人的意识,并转换成控制信号.针对两类运动想象脑电信号的分类问题,提出共空间模式和小波包分解相结合的脑电信号特征提取方法.利用不同小波包对训练集的多路脑电信号进行分解,再用共空间模式算法对不同分解层子带的脑电信号进行特征提取,并采用K近邻分类器对提取到的不同特征进行分类,得到最优小波包函数和小波包子带参数.将结果应用于测试集数据的分类.仿真实验结果表明,选择db4小波包函数和4层小波包分解层,对8个特征点进行分类,可以得到高达96%的正确率.     

不同粉磨工艺水泥的颗粒、矿物组成分布及性能

研究了采用不同粉磨工艺制备的水泥的颗粒分布及矿物组成分布对水泥与混凝土物理性能的影响．研究结果表明：水泥颗粒分布与粉磨设备条件及工艺参数密切相关，选用高效选粉机，增大循环负荷及控制适当的比表面积，可获得较窄的颗粒分布；由于C3S易磨性较好，易富集于水泥细颗粒中，通过提高水泥颗粒的集中程度及适当增大比表面积，可有效地把熟料中的C3S富集于30μm以下的水泥颗粒中；当水泥熟料质量、混合材质量、水泥比表面积控制水平较接近，水泥颗粒分布集中(主要集中在5～30μm范围)时，水泥的标准稠度需水量较大，凝结时间较长，1d强度较低，但3d，28d抗压强度较高，在混凝土中则表现为新拌混凝土泌水较严重，1d抗压强度偏低，3d．28d抗压强度增幅较大．     

混沌的复杂度研究方法和Logistic映射分析

研究和评价了混沌复杂度3种定量分析方法——Lyapunov指数、分维、测度熵,及其它们之间的内在联系,并研究了一种简单有效的测度熵替代方法——近似熵(approx im ate entropy)方法.应用以上方法对Log istic映射复杂度进行了分析.结果表明Lyapunov指数和测度熵的值与复杂度基本呈线性关系,分维数与复杂度的函数关系尚难确定,且与Lyapunov指数、测度熵之间的关系也不明确.