基于高频脑电非线性动力学参数的疾病诊断专家系统研究

应用非线性动力学四个参数对脑电信号进行特征提取,应用BP人工神经网络分析了动力学参数与脑功能障碍以及疾病的关系,采用Visual C#.NET 2005、MS SQL Server 2005和Matlab 7.0技术构建了基于非线性动力学参数的疾病诊断专家系统.通过对该系统进行测试,初步达到根据相关事件的高频脑电信号对实验组和对照组人群进行鉴别分类的目的,从而初步达到病人和正常人的分类效果.     

参激Duffing-Van der Pol系统的对称破裂现象

利用数值分析,通过观察Duffing-Van der Pol系统丰富的非线性动力学现象,如对称破裂分岔、周期与混沌吸引子共存、混沌的内部与边界及合并激变等,讨论了该系统在参数激励下的对称破裂现象,较充分地显示了非线性对称系统的对称不变性,尽管对称的形式在不同的情形下有所不同.所得结果有助于理解非线性动力系统的对称破裂现象.     

不同思维模式下的脑电奇异谱分析

人脑是极为复杂的系统,脑电(EEG)是脑内大量神经元电活动合作与竞争的综合反映,由局部和非局部频率分量构成,这些局部分量与特殊的内在神经网络状态紧密相关,在宏观上反映了脑的机能状态.脑电信号的非线性分析是近年出现的一种脑电分析方法,它反映了大脑处理信息活动的有序程度,为研究大脑高级认知活动提供了新的思路.越来越多的研究表明,传统的非线性动力学方法采用单一的参数不能充份描述脑电信号的复杂行为,多重分形用一个谱函数从不同层次描述了分形体的整体生长特征,采用多重分形方法描述系统的非线性动力学行为能够得到更多的信息.本文对不同思维模式下脑电的多重分形特性进行分析,发现EEG的奇异谱在不同的思维状态下具有差异.进一步对这种差异进行统计分析表明大脑思维的EEG多重分形特性受到人脑的思维方式的影响,EEG多重分形奇异谱强度分布反映了大脑思维模式的差异.     

基于近似熵和样本熵的思维脑电信号分析对比

采用近似熵和样本熵,分别对三种不同思维任务产生的脑电信号进行特征提取,并将其特征进行比较分析,结果显示不同思维作业脑电信号的样本熵的变化幅度明显大于近似熵;近似熵和样本熵作为非线性动力学的统计方法为思维作业脑电信号特征提取提供了一种新的途径.     

脑电信号的非线性动力学分析

基于脑电信号的非线性特征,利用LILEY脑电信号动力学模型计算了相关维数和李亚普诺夫指数.计算结果表明,当改变兴奋性神经元集群的兴奋性输入参数时,该EEG模型具有极限环、倍周期分岔、混沌等复杂的动力学行为,得出混沌存在于EEG模型中的结论.     

基于状态空间的EEG信号分析

为寻求脑电(Electroencephalogram,EEG)分析的新途径,提出了一种基于状态空间的脑电分析的新方法.利用状态空间点间的欧氏距离来计算脑电状态空间的态密度和态方差.实验结果表明,态密度和态方差不仅计算简单,而且与脑电的关联维数和Lyapunov指数相比,更能有效地反映混沌系统非线性动力学的特征.此外,还计算了基于距离协方差的脑电信号的奇异谱,并对结果作了分析.     

情感识别中脑电信号Lempel-Ziv复杂度的研究

在生理信号中,基于脑电信号的情感识别越来越引起研究者的重视。Lempel-Ziv复杂度测量是一种有效的非线性脑电信号分析方法,同时在情感脑—机接口系统中还可以用于进行情感的识别。文章在传统Lempel-Ziv复杂度算法的基础上,提出一种新的Lempel-Ziv复杂度算法,从而更好地进行基于脑电信号的情感识别。首先进行脑电信号的预处理,通过小波包变换来保留脑电信号的低频信号;然后利用非线性滤波器来移除脑电信号中的奇异值;进一步我们提出一种有效的自适应Lempel-Ziv复杂度算法来度量脑电信号的复杂度,并应用此特征值来识别情感。实验结果证明此方法可以从脑电信号中提取出更多有效的模式。同时,它还能够精确地检测到脑电信号的振荡情况,从而提取出不同情感状态下脑电信号中本质的非线性特性。     

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。     

基于双向长短时记忆神经网络的步态时空参数脑肌电解码方法

针对脑电(EEG)信号对连续步态轨迹解码结果与实际轨迹相关性低的问题,提出一种基于双向长短时记忆(BiLSTM)神经网络的步态参数解码方法。首先,构建基于双向长短时记忆神经网络的步态时空参数解码模型,根据脑肌电信号特性设计解码模型的超参数;其次,同步采集脑电、下肢运动相关肌肉的表面肌电信号(sEMG)和下肢关节运动信号,并对脑电和表面肌电信号的步态相关特征进行分析;然后,以多通道脑电和下肢运动相关表面肌电信号作为解码模型的输入,自动提取脑肌电融合信号中步态相关特征并构建膝踝关节运动轨迹与特征之间的非线性回归模型;最后,以多通道脑电作为解码模型的输入,构建步态相关脑电信号和表面肌电信号之间的非线性回归模型。实验结果表明：所提方法与传统支持向量机方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数提高了0.12;与单独采用脑电、表面肌电信号和脑肌电信号平均绝对值特征融合信号进行解码方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数分别提高了0.81、0.19和0.63。该方法可实现从脑电信号中对部分表面肌电信号波形的解码,解码波形和实测波形的平均Pears...     

疲劳状态下EEG信号α波的最大李雅普诺夫指数估算

脑电信号(EEG)的α波在人体的疲劳评估中具有重要作用,通过脑电信号的α波,可以挖掘更多的有关人体疲劳的信息.利用非线性动力学的方法对EEG信号α波进行了研究,比较了疲劳与非疲劳EEG信号α波之间的非线性动力学上的差别.人在疲劳与非疲劳下的EEG信号α波最大李雅普诺夫指数是不同的,当出现疲劳时指数减少,因此李雅普诺夫指数可作为人体是否疲劳状态的特征刻画指标.文中非疲劳状态的最大李雅普诺夫指数为0.436 67,疲劳状态者的最大李雅普诺夫指数是0.335 57,它们均为混沌信号,但是处于疲劳状态节律的混沌程度明显比处于非疲劳状态的混沌程度低.     

基于局部均值分解和迭代随机森林的脑电分类

为实现癫痫患者的脑电信号有效识别,进而提高患者的生活质量,针对脑电信号的非平稳、非线性特点, 提出一种基于局部均值分解和迭代随机森林相结合的脑电信号分类方法。首先利用局部均值分解将脑电信号 分解成若干个乘积函数分量和一个残余分量,然后对所有分量进行特征提取,并使用支持向量机、随机森林和 迭代随机森林方法进行分类。实验结果表明,迭代随机森林的分类准确率高于支持向量机和随机森林方法。 此方法为准确识别癫痫脑电信号提供了一个可行有效的途径,具有较好的推广和应用价值。     

基于小波变换的脑电噪声消除方法

分析了基于传统陷波器的脑电消噪方法,根据脑电噪声所处频带及陷波器原理,设计了一种陷波器.并提出了基于小波变换的脑电信号分析方法并利用它来消除脑电信号中的噪声干扰.小波变换是一种多分辨率的时间-尺度分析方法,它能够将信号划分为不同频段的子带信号.根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果.最后对这两种方法的消噪结果进行比较.分析表明:利用小波变换能更有效、灵活地检测并去除脑电信号中的噪声干扰.     

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。     

脑电监护分析系统的软件设计与实现

脑电信号在外围设备采样后,由计算机通过软件系统以波形图形式进行实时播放.本文以脑电波监护与分析的系统给出计算机技术在工程领域的应用实例.首先介绍涉及的脑电生物及数字信号处理技术的背景知识,然后讨论软件体系结构、子系统划分及功能模块,包括脑电信号的监护、数字滤波器及信号分析,并以数据采集、滤波与分析算法为重点.     

HHT在多相流差压信号消噪上的应用

为有效提取噪声背景下的多相流差压信号,提高流量的测量精度,针对实际差压信号非线性非平稳的特点,提出基于Hilbert-Huang transform(HHT)的多相流差压信号消噪方法.该方法利用经验模态分解(EMD)把差压信号分解成有限个固有模态函数(IMF),然后分析各个固有模态函数的边际谱,利用HHT不同频段能量分...     

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.     

基于Hilbert-Huang变换的室内地磁信号处理分析

提出一种利用Hilbert-Huang变换(HHT)处理分析室内地磁信号的方法。介绍HHT原理与方法,设计出一种室内地磁信号采集平台,对实际测量的室内地磁信号进行经验模态分解(EMD),并对分解后的固有模态函数(IMF)进行频谱和时频剖析,最后将经过HHT处理的原始信号进行重组。结果表明,HHT能用于描述复杂的室内地磁信号的非线性时变特征,为室内地磁信号的处理分析提供一种可行的方法。     

基于匹配跟踪的脑电睡眠纺锤波的时频分析

匹配跟踪(MP)算法是一种冗余算法，通过信号x在所选择的最佳向量(最佳基)上的反复正交投影而逼近原信号。它不仅可以获得较好的时频分辨率，而且可以参数化描述任何类型的数据。在临床应用实践中已发现睡眠纺锤波与多种病症有关，因此，有效地检测出睡眠纺锤波具有重要的临床应用价值。文中根据脑电信号(EEG)睡眠纺锤波的特征，利用基于Gabor函数的MP算法对EEG中的睡眠纺锤波进行检测和分析，并给出了分析结果的时频表示。     

基于特征筛选的经验模式分解脑电信号分类方法

脑-机接口已成为一种独立于正常周围神经和肌肉的从大脑到输出设备的新型通信方式.而脑电信号处理是其中的关键技术之一.利用小波变换和经验模式分解对脑电信号进行分解重构出8个内涵模态分量(IMF),然后再对分解后的IMF计算排列熵,运用比较特征值的显著性差异(Pearson系数)筛选出特征冗余小的IMF熵值,并利用遗传算法优化支持向量机进行分类,准确率达到97.64％.     

脑-计算机接口系统中诱发脑电信号的小波分析

针对特定思维诱发脑电信号的特点,提出一种确定其分布情况及提取其波形的方法·首先采用离散小波变换对脑电信号进行分解,然后使用小波奇异点检测和小波统计分析相结合的方法进行特征分析,确定特定思维诱发脑电信号处于小波变换的哪个尺度上,并根据分析结果重构出诱发脑电信号·结果表明,这种方法能够有效地消除脑电信号中的常见噪声,尤其适用于对诱发脑电信号的提取·