过度使用互联网对脑电时频特性的影响研究

应用小波变换以及非负矩阵分解的方法研究了过度使用互联网对脑电时频特性的影响．采用经典的oddball刺激实验,分别采集过度使用互联网者与正常受试者在新奇刺激出现时的事件相关电位（Event—related potentials,ERP）,并利用小波变换以及事件相关谱扰动提取ERP的gamma节律时频信息,然后对其ANOVA统计计算的F检验结果进行两分量的非负矩阵分解．结果发现,过度使用互联网导致ERP的P300波幅降低（p〈0．05）,潜伏期延长（p〈0．05）,另外对于gamma节律的影响主要发生在刺激后300ms,频率范围在4050Hz内,主要集中在大脑的中央顶部．此结果说明过度使用互联网对大脑进行信息的整合和编码造成了影响．     

过度使用互联网对脑电时频特性的影响研究

应用小波变换以及非负矩阵分解的方法研究了过度使用互联网对脑电时频特性的影响.采用经典的oddball刺激实验,分别采集过度使用互联网者与正常受试者在新奇刺激出现时的事件相关电位(Event-relatecl potentials,ERP),并利用小波变换以及事件相关谱扰动提取ERP的gamma节律时频信息,然后对其ANOVA统计计算的F检验结果进行两分量的非负矩阵分解.结果发现,过度使用互联网导致ERP的P300波幅降低(p<0.05),潜伏期延长(p<0.05),另外对于gamma节律的影响主要发生在刺激后300 ms,频率范围在40-50 Hz内,主要集中在大脑的中央顶部.此结果说明过度使用互联网对大脑进行信息的整合和编码造成了影响.     

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．     

非负矩阵分解算法在遥感图像融合中的应用

研究了非负矩阵分解(NMF)方法在遥感图像融合中的几种应用.在多光谱图像与全色图像融合的过程中,采用了非负矩阵分解融合算法,非负矩阵分解与主成分结合(N_PCA)的融合算法,非负矩阵分解与提升小波变换结合的融合算法,通过对各融合图像的目视判定及统计参数判定,分析评价这些算法在遥感图像融合中的性能差异.研究实验证明非负矩阵分解算法应用于遥感图像融合处理,具有较好的融合效果,非负矩阵分解算法,非负矩阵分解与主成分结合的融合算法,非负矩阵分解与提升小波变换结合的融合算法在遥感图像融合中的性能优于传统的主成分融合算法(PCA),其中,非负矩阵分解与提升小波变换结合的融合算法的性能最为优异.     

非负矩阵分解下的稀疏基构建

当信号在某个变换域是稀疏的或可压缩的,可以利用与变换矩阵非相干的测量矩阵将变换系数投影为低维向量,同时这种投影保持了重建信号所需的信息。 压缩感知技术以较少的投影数据实现信号的精确或高概率重构。而信号重建能力很大程度上取决于信号的稀疏性,以及采样矩阵和变换矩阵的非相干性。本文提出用非负矩阵分解（NMF）对原始信号进行稀疏变化,构建稀疏变换基矩阵 ,并与离散傅立叶变换（DFT）和离散小波变换构（DWT）建变换矩阵进行对比研究,对相干度,稀疏度进行测量,并采用正交匹配追踪（OMP）进行信号还原能力分析,表明在同等测量次数下NMF还原能力优于DFT和DWT。     

睡眠剥夺对脑认知和脑电复杂性的影响

为研究睡眠对大脑功能的影响，考察了正常睡眠与睡眠剥夺情况下脑认知能力的变化，分析了两种状态下自发脑电和事件相关电位复杂性的差异．通过事件相关电位P300的潜伏期与幅度反映不同状态下的脑认知能力，采用小波熵方法分析其复杂性．实验采用数字脑电图仪记录19导脑电信号，用OB序列诱发视觉事件相关电位．结果发现，睡眠剥夺组的靶刺激反应时间明显增长，而P300幅度显著降低、潜伏期明显增加；小波熵分析结果表明，与正常睡眠组比较，睡眠剥夺组自发脑电的256点小波熵和事件相关电位的32点小波熵均值都显著降低．故得出结论：睡眠剥夺对人的认知和脑电复杂性均产生了负向影响．因此，睡眠对维持大脑的功能具有重要作用．     

瞬时缩展模拟CMOS高频连续小波变换电路

小波函数和小波变换网络的瞬时缩展技术综合是电网络综合的新理论、新方法．本文利用对数域电路实现连续小波变换，提出的模拟CMOS高频连续小波变换电路能实现高频输入信号的时频分解，电路中的振荡器电路采用的是完全的电流模式对数域电路．并由此对数域振荡器设计和实现电流模式锁相环，从而提出了模拟连续小波变换的电路设计和实现、结果显示电路能在低电压低功率时得到宽动态范围的运用、     

基于小波变换和非负矩阵分解的人脸识别改进方法

针对NMF在识别人脸图像特征时分解速度慢,基空间不适应欧氏距离度量的缺点,提出了一种基于小波变换和非负矩阵基矩阵正交化的人脸识别方法.利用小波变换对人脸图像进行变换,选择LL分量既能抽取到人脸的实质特征又能有效减小数据维数,降低NMF分解的复杂性.同时对NMF的基矩阵实施正交化变换,在得到的正交基上进行投影.实验结果表明,该方法对光照变化、表情变化和部分遮罩不敏感,识别性能明显提高.     

小波变换技术概述

小波变换具有良好的时频局部化特性,通过小波变换可以将一个时域信号进行多分辨分解,因此小波变换技术就常被应用到数字水印中来。文章对小波变换理论及其相关知识进行了研究,论述了离散小波变换、多分辨率分析等理论。     

应用多分辨率小波变换提取脑电信号异常节律

脑电信号是非平稳的随机信号，其中包含了大量的生理和疾病信息，对于医生判断脑都是否有器质性的病变具有重要作用。因此对脑电信号的分析和处理一直是人们努力研究的领域。考虑到小波变换良好的时频局部化特性，利用多分辨率小波变换方法来实现脑电信号异常节律的提取，脑电信号经多分辨率小波变换后所得到的各个尺度的信号不仅反映了信号的频率信息，即尺度越大，对应信号的频率越低，同时也反映了信号的时间信息，即反映此时的EEG状态，实验结果表明，选择合适的小波基，可以有效地提取脑电信号中的异常节律。     

Effects of sleep deprivation on gamma oscillation of waking human EEG

This study compares and evaluates the effect of sleep deprivation （SD） on human brain cognition by analyzing the recorded EEG data under normal and 24 h sleep deprived states. EEG auditory event-related potentials were collected from 14 healthy volunteers, and the statistical values of wavelet-transformed EEG in gamma band were decomposed by parallel factor analysis （PARAFAC） to identify where the differences appeared in the time, frequency and spatial domains. The results showed that the changes of brain states caused by SD appeared around 40 Hz at about 400 ms after stimulation on prefrontal and frontal lobes. Negative effects of SD on neuronal activity and oscillation were observed. The analysis of the EEG data by the wavelet transform and PARAFAC can be an integrated way to estimate the change of brain states in the three domains.     

Effect of excessive Internet use on the time-frequency characteristic of EEG

We examined the effect of excessive Internet use on the time–frequency characteristic of the electroencephalogram by wavelet transformed and non-negative matrix factorization (NMF). The event-related potentials (ERP) of normal subjects and excessive Internet users were acquired using the oddball paradigm experiment. We applied the wavelet transformed and event-related spectral perturbation to ERP in order to extract the time–frequency values. The F-test statistics of time–frequency values were then decomposed into two components by NMF. Excessive Internet use resulted in a significant decrease in the P300 amplitudes (P < 0.05) and a significant increase in the P300 latency (P < 0.05) in all electrodes. The major effect of excessive Internet use on gamma oscillation occurred at 300 ms after stimuli at 40–50 Hz on the parietal central region. Thus, these data suggest that excessive Internet use affects information coding and integration in the brain.     

基于非负矩阵分解的癫痫脑电自动检测

针对多分类癫痫检测算法因特征维数多而导致识别率不理想的问题, 提出了一种基于分数阶傅里叶变换 (FrFT: Fractional Fourier Transform)和非负矩阵分解(NMF: Non-negative Matrix Factorization)的癫痫脑电自动识 别算法。 首先采用 FrFT 对脑电信号进行时频聚焦, 并利用短时傅里叶变换 (STFT: Short-Time Fourier Transform)提取脑电信号的时频特征; 再应用 NMF 对提取的时频特征进行降维; 最后将降维后的特征输入到支 持向量机(SVM: Support Vector Machine)分类器中进行识别。 实验结果表明, 该方法能识别正常、 癫痫发作间 期和癫痫发作期 3 类脑电信号, 其分类准确率可达 98. 8%。     

脑电信号的现代分析方法

脑电图（EEG）是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。临床实践表明，脑电信号中包含了大量生理与疾病信息，通过对脑电信号的处理，不仅可以为医生提供临床诊断依据，而且可以为某结脑疾病提供有效的治疗手段。作者从脑电信号的分析出发，论述了频域分析、时域分析等脑电图分析中常用的信号分析方法和特点，特别介绍了Wigner分布、小波变换和匹配跟踪等时频分析方法、人工神经网络和非线性动力学方法在脑电信号分析和处理中的应用情况。     

基于小波熵的网络成瘾脑电复杂性分析

通过考察青少年网络成瘾患者的脑电复杂性参数即小波熵及其脑电信息图,分析网络成瘾患者与正常人的差异,试图揭示网络成瘾对患者大脑产生的影响,并为网络成瘾综合症的诊断提供依据．分别采集9名网络成瘾者（实验组）和9名正常受试者（对照组）在上网前后的自发脑电,然后对其进行小波熵及其脑电信息图分析．结果发现网络成瘾患者上网前的自发脑电的小波熵值明显低于正常组上网前的自发脑电小波熵值（P〈0．05）,但上网40min后,其脑电小波熵值明显升高（P〈0．05）,此时与正常组无显著性差异;而正常组受试者上网前后的脑电小波熵值没有显著性的差异（P〉0．05）．此结果证实了网络成瘾患者在上网前,其脑电复杂性较低,大脑活动水平较低,而通过网络可以唤起其大脑的活动,因此小波熵值可以作为网络成瘾综合症诊断的客观指标之一．     

分数阶小波时频域的图像去噪新方法

为了提高图像的质量以及满足后续图像处理的需求,提出了一种基于分数阶小波时频域的图像去噪新方法。该方法通过二维分数阶小波变换将图像映射到分数阶小波时频域内,在时频域内实现图像的去噪处理,最后通过分数阶小波逆变换实现图像的重构。图像去噪实验结果表明:采用该方法去噪后的图像输出峰值信噪比明显提高,在抑制噪声的同时可以有效保持图像细节。     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

基于运动相关脑电特征的手运动方向识别

为了研究如何从无创运动相关脑电中提取运动信息作为上肢主动康复训练的控制命令,通过设计实验,使右手完成左、上、右3个方向的运动,同时采集脑电数据和右手运动信息.通过小波时频分析确认与右手运动相关的脑电频带,并提取其小波分解系数作为特征,采用支持向量机进行特征分类,根据方向识别准确率分析提取特征的有效性.结果表明,运动脑电delta和theta频段的小波系数特征可以有效区分右手不同方向的运动,方向识别准确率的均值接近65%,并且用准备阶段特征分类的结果普遍优于运动阶段特征,因此,在手运动之前诱发的脑电活动含有丰富的运动信息,可用于脑-机接口系统提取上肢主动康复训练的控制命令.