基于样本熵的睡眠脑电分期

运用样本熵从波士顿Beth Israel睡眠脑电实验数据中提取睡眠特征值,对睡眠分期进行研究.针对脑电属于微弱非平稳随机信号、难于提取特征的特点,利用小波变换先有效地消除脑电信号中的噪声,再计算其样本熵用以表征睡眠各分期.计算结果表明,由清醒期到非快速眼动的Ⅳ期过程中,其样本熵值呈规律性逐渐变小,与该库中专家评定的结果相符.这说明经过小波消噪和样本熵处理的脑电信号能准确地反映睡眠各期的变化特征,比用近似熵表征睡眠分期更准确、运算速度更快,完全适用于非平稳随机信号的处理.     

基于精细复合多尺度熵与支持向量机的睡眠分期

提出将脑电信号与眼动信号的精细复合多尺度熵作为睡眠分期依据,利用多层次支持向量机的机器学习算法对睡眠进行自动分期.利用精细复合多尺度熵对睡眠信号进行特征提取,选用脑电以及眼电通道的信号,以保证输入特性的可靠性,并通过3层支持向量机实现了睡眠的自动分期.结果表明,分类器的输入参数可由熵值曲线的变化特征来确定.基于精细复合多尺度熵的多层次支持向量机算法的睡眠分期准确率达到85.3%,与已有的分类算法相比,所提出的算法更加均衡,且整体分类效果更佳.     

睡眠脑电的非线性动力学方法

在8例健康成年人的睡眠脑电监测实验基础上,利用已有的专家人工分期结果,提取睡眠各阶段特征数据,应用近似熵、复杂度和功率谱熵三种方法进行分析,从客观量化的复杂性度量来刻划睡眠深度的变化情况,对每个睡眠分期选取5000点数据,数据窗取1000点,逐次延时一个采样间隔得到几个时间序列,分别求复杂度,最后取均值即得此分期复杂性测度值,结果表明三种方法均与专家人工分期结果相吻合,近似熵算法复杂不适合在线分析;复杂度算法较简单,但数据粗粒化处理容易丢失信息;功率谱熵算法简单、快速及有效,因而用统计分析方法分析,表明功率谱熵能较好地反映睡眠深度的变化情况。     

基于方差的多尺度时间序列重构方法研究

针对传统的多尺度时间序列重构方法无法完整地提取脑电图EEG信号特征的问题,提出了一种新的多尺度时间序列重构方法——移动方差化。将EEG信号使用移动方差化方法进行序列重构,进而在多个尺度上提取时间序列的2个特征值——样本熵和方差熵。最后对所提取的特征值使用KS检验方法进行p值检验。实验证明,利用移动方差化方法重构的多个尺度上的时间序列对EEG信号进行特征提取,可以有效地区分癫痫患者发作间期与发作期的EEG信号,为之后利用EEG信号诊断判别精神疾病提供了依据。     

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.     

不同麻醉深度下大鼠脑活动的复杂性分析

为了研究大鼠在不同麻醉深度下大脑活动的变化，探测麻醉深度对其脑电信号（EEG）的影响，采用KC复杂度和谱熵对不同麻醉深度下的EEG及其4个主要频段信号进行了复杂性分析．结果发现：随着麻醉深度的加深，EEG的KC复杂度和谱熵的值都随之减小，反之亦然，且KC复杂度在区分麻醉深度的变化方面比谱熵更为灵敏、准确；在麻醉状态下，delta频段是EEG信号的优势频段，正是它的动态变化主导了EEG信号的变化过程．     

基于体动射频信号的睡眠分期

为了减轻传统接触式睡眠生理监测系统对人体造成的负担,设计了一种基于微波技术的非接触式睡眠生理信号采集与分析系统,提出一种基于体动射频信号的睡眠分期识别算法.通过小波变换对射频运动传感器(RFMS)采集的体动信号进行预处理,再计算出体动信号的能量值,最后通过判别式处理和阈值法实现了睡眠分期:醒觉期、浅睡期、中睡期、深睡期.实验采集分析了8个实验者为期46天的睡眠生理信号,同时同步采集视频信息、TANITA水床睡眠信息、接触式呼吸脉搏信号.与视频结果比较发现醒觉期正确率达到90%;与TANITA水床睡眠结果相比,本系统的结果与其吻合程度达到70%;与不同睡眠状态下呼吸率、心率的变化相比,本系统的结果吻合度达到80%.     

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。     

老年性痴呆症患者的EEG近似熵特征初探

老年性痴呆症是一种后天获得性中枢神经系统退行性疾病，严重地危害着人们的身体健康和生活质量，为了探索老年性痴呆症脑电图中隐含的信息，对老年性痴呆症患者和健康对照者的脑电图（EEG）近似熵进行分析，并绘制其脑电脑电信息图，对照健康人，发现患者EEG近似熵普遍下降，尤以右额叶，颞叶区显著，提示EEG近似熵与大脑功能状况有一定联系，在一定程度上可以反映大脑功能状态。     

培养神经元网络自发活动规律性和复杂度分析

采用近似熵（approximate entropy,ApEn）的新统计方法衡量神经元不同自发放电活动时间序列数据的规律性和复杂度,对多电极阵列上培养的海马神经元网络自发活动的复杂度进行研究．结果表明不同自发放电活动的近似熵动态变化曲线有明显差别．静息期时近似熵值范围1．0-1．2;典型爆发活动时近似熵值呈现迅速下降而后上升再下降小幅振荡（0．2-0．6）;而伪爆发活动时近似熵值在0．2—0．7范围,沿平行时间轴的某一直线上下波动;连续发放锋电位时近似熵值在0．8-0．9范围;而随机单发锋电位时近似熵值0．6—0．8范围．以上分析结果说明近似熵动态变化曲线能够体现爆发活动和锋电位发放过程的规律性和复杂度变化,并可以有效地识别培养神经元网络自发的不同电生理信号,因而在神经元电信号分析中有着潜在的应用价值．     

思维脑电信号的近似熵分析

计算了5种不同思维作业时脑电信号的近似熵.计算结果表明,当进行不同思维作业时脑电数据的近似熵存在着较大的差异.这提示可以利用近似熵作为思维脑电信号的特征实现对思维作业的分类.对于不同的受试者,即使是同一种思维作业、同一个电极上脑电数据的近似熵也存在着较大的差异.这提示在利用近似熵作为思维脑电信号的特征对心理作业进行分类时应当充分考虑不同受试者的个体差异.     

睡眠脑电信号的多重分形去势波动分析

睡眠过程中的脑电信号时间序列具有复杂的波动性特点,为了研究不同睡眠时期脑电信号的分形特征,运用多重分形去势波动分析的方法对5例受试者的整夜睡眠脑电信号进行了分析．计算结果表明,睡眠脑电序列具有长程相关性,而且是多重分形过程．不同的睡眠时期广义赫斯特指数不同,随时间尺度的增加而增大,变化趋势一致．醒期的脑电信号广义赫斯特指数最大,REM期介于睡眠一期和二期之间,其他各期随睡眠的加深逐渐增大．为睡眠脑电信号动力学机理的进一步研究提供了坚实的实证基础．     

基于CNN-BiLSTM的自动睡眠分期方法

针对目前睡眠分期存在的依赖人工特征提取、无法识别长时关联数据中的时序模式、模型对EEG时序数据分期不准确等问题，提出一种基于CNN-BiLSTM的自动睡眠分期方法.将原始数据通过改进MSMOTE算法进行过采样形成类平衡数据，再通过CNN表达其高级特征，并馈送至BiLSTM中挖掘各睡眠阶段间的依赖关系，实现睡眠数据分期特征的自动学习和睡眠周期判定.在Sleep-EDF公开数据集上的实验结果表明，CNN-BiLSTM模型的分类准确率为92.21%.同时引入改进的MSMOTE过采样技术缓解因数据不平衡所导致的少数类睡眠期判定不准确问题.在原始数据集类不平衡的情况下，实现了睡眠数据自动分期，有效提高了睡眠分期模型的准确率，具有一定的实用价值.      

A new measure to characterize multifractality of sleep electroencephalogram

Traditional methods for nonlinear dy-namic analysis,such as correlation dimension,Lyapunov exponent,approximate entropy,detrended fluctuation analysis,using a single parameter,cannot fully describe the extremely sophisticated behavior of electroencephalogram (EEG). The multifractal for-malism reveals more “hidden” information of EEG by using singularity spectrum to characterize its nonlin-ear dynamics. In this paper,the zero-crossing time intervals of sleep EEG were studied using multifractal analysis. A new multifractal measure Δasα was pro-posed to describe the asymmetry of singularity spec-trum,and compared with the singularity strength range Δα that was normally used as a degree indi-cator of multifractality. One-way analysis of variance and multiple comparison tests showed that the new measure we proposed gave better discrimination of sleep stages,especially in the discrimination be-tween sleep and awake,and between sleep stages 3 and 4.     

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．     

基于近似熵快速算法的静息态脑磁信号分析

为了探究静息态精神分裂症患者脑磁信号的非线性动力学特性,提出了一种将小波变换和近似熵相结合的特征提取方法.该方法首先通过小波变换,将10个正常人和10个精神分裂症患者的脑磁信号进行6层小波分解,提取对应于脑磁信号θ波段和α波段的小波系数,继而计算和比较两类人近似熵的分布情况.实验结果表明,相同情况下精神分裂症患者MEG信号的各脑区和各通道间的近似熵都普遍高于正常人,α波段的额叶和中央区域尤为突出.该结果为进一步研究患者MEG信号特征进而建立相应的分类诊断模型提供了思路.     

基于时窗复杂度序列的睡眠脑电分析

运用时窗复杂度序列来分析睡眠脑电,减少了非平稳性及状态空间的不均匀性造成的脑状态信息的丢失,在一定程度上克服了复杂度的自身的局限,有助于不同睡眠期状态特征的提取.另外本文采用ICA、小波变换等方法对脑电进行预处理,实验表明它们能有效地去除脑电中的一些生理干扰,有利于提高复杂度算法在睡眠分期应用中的精确度.     

基于脑电α波的非线性参数人体疲劳状态判定

提取脑电信号(EEG)的α波并计算其三种非线性参数,在此基础上归纳出用于评估人体疲劳状态的综合判据.首先,在小波变换的基础上,从原始信号中提取EEG的α波,然后计算其最大李亚普诺夫指数、复杂度和近似熵.这些非线性参数的数值可以定量地反映人的生理活动,进而可以用于评价疲劳状态.对现有EEG数据进行计算和统计,归纳出建立在上述三种非线性参数基础上的疲劳状态的综合评估判据.针对18组已知数据,采用上述综合判据得到相应的不同状态的判定结果.与实际情况相对照,对疲劳和非疲劳状态的评估准确率接近100%,但对轻微、中等和严重疲劳状态之间的区分精度稍低一些.