基于多变量希尔伯特频域模型的癫痫发作预测

癫痫发作具有突发性和反复性,对患者生命安全构成巨大威胁.为了对癫痫发作进行有效地预测,提出了多变量希尔伯特频域模型的癫痫发作预测方法.将希尔伯特边际谱、希尔伯特边际谱的变化方向和希尔伯特加权频率组成一个三维特征向量作为多变量希尔伯特频域模型,输入到支持相量机中,实现癫痫的发作预测,最后采用癫痫发作预测特征方法对预测结果进行评估.实验结果表明:采用多变量希尔伯特频域模型分析方法预测δ波和θ波的癫痫发作,癫痫预测范围在30~45 min,患者有足够的时间采取措施应对;癫痫发作周期在5~10 min,缩短患者等待时间,降低焦虑程度;与多种相关方法进行比较,该方法具有较低的错误预报率和较高的预测敏感度.     

基于驾驶员警觉度的交通标志适宜信息量研究

为了解决驾驶员在草原公路交叉口路段因交通标志信息量过低引起的行车警觉度降低的问题,利用交通标志信息量化模型,建立6个不同信息量水平的室内模拟驾驶实验,驾驶员分别以车速为60km/h、80km/h和100km/h行车,基于脑电信号检测行车警觉度的技术,选取脑电指标β、(α+θ)/β、α/β作为驾驶警觉度评价指标,定量分析不同信息量水平和车速下的3种脑电指标节律值变化,采用非线性曲线拟合法,探究信息量和车速对驾驶警觉度的显著性,根据NASA-TLX驾驶负荷量表对模拟实验分析的结论进行验证。结果表明,交通标志信息量和车速存在交互作用,对行车警觉度均有显著影响,在草原公路交叉口处的适宜交通标志信息量为J4水平（范围为30-40bits）,行车速度为60km/h时,驾驶员3种脑电指标数据表现最佳,且指标β、(α+θ)/β、α/β在车速为60km/h下的拟合度分别为0.947、0.844、0.861,NASA-TLX驾驶负荷量表六个维度的评分均在J4水平最低,与实验数据分析结论一致。     

基于EEG小波包子带能量比的疲劳驾驶检测方法

驾驶员在从正常驾驶状态向疲劳驾驶状态变化的过程中,其脑电信号中的慢波逐渐增加,快波逐渐减少;针对这一特点,提出了一种基于小波包子带能量比的疲劳驾驶状态检测方法.采集和分析受试者模拟驾驶过程中的脑电信号,利用小波包分解系数计算出β波与慢波的能量比,将其作为疲劳指标F值.实验结果表明,尽管不同受试者的F值存在较大差异,但是对于同一受试者而言,F值随着驾驶时间的延长和疲劳程度的增加而逐渐降低,其相对于正常驾驶状态的衰减程度能够有效反映驾驶人的疲劳程度.     

脑电近似熵分析的思维分类识别

以近似熵为指标,分别计算6导脑电信号的复杂度,作为神经网络分类器的输入特征向量,对5种思维任务进行分类识别.测试结果表明,针对5次练习的均值而言,平均识别率为73%,说明利用多导脑电的复杂性进行思维辨识是可行的.     

不同生理状态时脑电时间序列的皮层信息传输

引用一种“信息传输”理论来研究不同生理状态时的脑电时间序列，比较了正常人和在急性缺氧条件下、睡眠条件下及局灶性癫痫病患者的大脑皮层信息传输，发现在各种情况下的大脑皮层信息传输有非常特殊的现象：在急性缺氧时，人的大脑皮层信息传输量各导联均较正常人高；当深睡时，各导联的信息传输量均较正常人低；局灶性癫痫病人痫性导联与其他导联间的皮层信息传输量有明显增加，而非痫性导联信息传输量 对降低，用脑皮层信息传输量来分析在不同生理状态下的脑电信号是一个极有潜力的方法，可能为研究和理解大脑的活动机理提供一条新的途径。     

一种分析睡眠脑电图的时频特征图

使用Choi-Williams分布对一段睡眠脑电图（EEG）信号进行时频变换，利用局部频谱的特征估计各个时间间隔里的波形，并得到局部频谱的特征曲线，整段EEG信号中所有时间咪上的频谱特征曲线组成一种时频特征图，使用该时频特征图分析睡眠EEG，不仅能够统计该段EEG信号中各种基本波形的出现情况，而且可以观察EEG信号中每个基本波形的变化方式，通过时频特征图对采集的实际睡眠EEG数据进行分阶实验，结果表明，时频特征图可以作为一种分析睡眠EFG有效工具，有良好的应用前景。     

快速多变量自回归模型的意识任务的特征提取与分类

给出了一种有效的多变量自回归(Multivariate Autoregressive，MVAR)模型参数和阶数估计的快速算法，通过QR分解技术减少了多维矩阵求逆的运算量，提高了模型估计的速度．利用该算法对4个实验对象的3种不同意识任务的脑电(EEG)信号进行特征提取，并将得到的特征向量作为径向基函数神经网络的输入进行训练和分类测试．分类结果表明，利用该方法进行EEG信号的特征提取，分类的正确率明显高于单变量自回归模型，而且算法运算速度快，可以用于不同意识任务EEG信号的在线特征提取与分类系统．     

基于颈腰部肌电及脑电信号的疲劳驾驶检测

为了有效判别驾驶员的疲劳状态,结合生物力学分析提取了驾驶过程中的颈腰部肌电信号EMG和头部脑电信号EEG,并分析其特征参数在驾驶过程中的变化规律.结果表明:颈肌样本熵、颈肌复杂度、腰肌样本熵、腰肌复杂度、脑电样本熵、脑电复杂度这6个生理信号的特征参数值都随着驾驶时间的延长而逐渐降低,通过主成分分析可实现特征参数间的合理组合.基于多元回归理论,建立了能够有效预测疲劳驾驶的数学模型.状态验证结果表明,该模型对疲劳状态判别的正确率可达95%以上.     

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．     

基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型

提取多通道脑电（EEG）功率谱特征,训练连续高斯密度混合隐马尔科夫模型（CHMM）,建立了基于功率谱-CHMM的精神疲劳分级模型.分级结果表明：EEG各节律功率谱及其比值是精神疲劳的敏感指标,CHMM对于不同的精神疲劳状态具有较高的分类精度,最高分类正确率达到97.5%;在训练样本相同的情况下,CHMM比反向传输人工神经网络具有更高的分类精度.