基于有向网络的人物信息诱发脑电信号特征

基于熟人和陌生人的视听觉信息,通过记录对应的脑电信号,对大脑在熟人和陌生人信息刺激下的认知机制展开研究.首先,通过记录被试在视听刺激下的脑电信号,得到对应不同刺激下的事件相关脑电位.通过计算不同导联间的相位传递熵构建有向功能网络,最后对重点网络参数进行分析.结果表明,相比陌生人信息诱发的有向网络,熟人信息诱发网络中关键节点的作用加强,网络聚集能力增强;熟人信息诱发网络的连接更加趋向于全脑化,不同脑区间的信息交换加强,整个网络结构更有利于完成对熟人信息的识别.     

40HZ脑电信号检测理论在脑电混沌态分析中的应用

在脑电信号的混沌态分析中引入阵发性４０ＨＺ脑电信号检测理论，用以判断受试者是否合作，并决定可用于混沌状态分析的数据段，文中对阵发性４０ＨＺ脑电依赖从理论、检测方法的实现、实际应用等几个方面进行了讨论。     

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．     

基于原型网络的小样本脑电伪迹检测方法

正常脑电信号由于容易受到多种脑电伪迹的干扰而导致信噪比低,为了提高脑电信号的信噪比,使用一种基于度量的小样本学习模型来检测脑电信号中的伪迹,提出了一种基于原型网络的脑电伪迹识别模型(EEG Artifact Prototype Network,EAPNet)。该模型能够学习一个从EEG特征到目标空间的非线性映射,然后计算每个类原型表示的距离,并按此距离进行分类; 仅需较少数量的数据样本进行训练,就能实现对伪迹的准确识别。最后,在公开的脑电伪迹数据集TUAR(TUH EEG Artifact Corpus)中进行了伪迹识别实验,并将EAPNet模型与2个深度学习模型(EEGNet、全连接神经网络(FNN))及7个机器学习模型(高斯贝叶斯模型(Gaussian NB)、随机森林模型(RF)、逻辑回归模型(LR)、套索回归模型(Lasso)、支持向量机模型(SVM)、岭回归模型(Ridge)和最近邻算法(KNN))进行了对比实验。实验结果显示:(1)EAPNet模型是一种高效的伪迹检测方法:在2-way 1-shot、2-way 5-shot、2-way 10-shot任务中,模型的检测准确率分别为69.44%、77.21%、80.01%。(2)在所有对比模型中,EAPNet模型的识别准确率最高。     

Kolmogorov熵在大鼠脑电麻醉深度监测中的应用

将非线性动力学中的Kolmogorov熵应用到大鼠脑电麻醉深度监测分析中,计算并分析了大鼠在戊巴比妥钠腹腔注射麻醉过程中脑电信号的 Kolmogorov熵动态变化曲线,结果表明:大鼠注射戊巴比妥钠后,在最初的麻醉过程中,有些脑区呈抑制状态,有些脑区呈兴奋状态;大鼠注射戊巴比妥钠后 A脑区进入深度麻醉状态的诱导期时间约为1 300 s,B脑区的约为1 400 s;麻醉时Kolmogorov熵动态变化曲线与原始脑电信号所反映的各脑区抑制与兴奋状态的变化趋势有很好的一致性.因此,Kolmogorov熵可为临床麻醉深度的实时监测提供一个新的方法.     

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.     

基于改进残差网络的癫痫脑电自动识别算法

为了提高癫痫脑电图(EEG)的识别精度,提出一种基于改进残差网络的癫痫脑电自动识别算法。首先对EEG信号进行归一化,然后利用改进的残差模块构建一维深度残差网络,将其用于自主学习EEG的内在特征,最后利用Softmax分类器实现癫痫的自动识别。为了评估模型的性能,采用十折交叉验证对波恩大学的癫痫数据集进行实验。实验结果表明,该算法能够有效识别癫痫EEG类别,具有较高的识别准确率。     

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.     

基于复杂网络的脑电信号回归分析

基于相点距离集合确定脑电信号的相空间重构嵌入维数,并得到时间序列的相空间轨迹.把由相空间轨迹构成的回归矩阵转化为复杂网络的连接矩阵,并用复杂网络的特征参量表征回归矩阵的性质.实验结果表明,由不同生理状态的脑电信号构成的回归矩阵呈现出普适和非普适特征,也就是小世界特征的一致性和聚类结构的差异性.这些结论与实际脑网络的小世界特征和脑功能区域的聚类结构能够很好吻合.     

基于统计分布熵的抑郁症脑电信号分析

针对目前抑郁症研究和诊断中量化分析参数和分析方法不足的情况,本文提出和定义一种能对脑电活动的状态分布进行描述、并能用来计算和区分抑郁症患者和正常人脑电活动差异的统计分布熵方法。应用该方法对抑郁症患者和正常对照组的脑电信号统计分布熵进行数值计算,然后分析讨论它们之间的差异,最后对结果进行了统计分析。实验结果表明:抑郁症患者脑电的状态分布熵在部分脑区显著高于正常健康人,表现出较强的差异性。证明该统计分布熵能够表征大脑电活动的分布状态,提供反映其活动是否发生异变的信息,可以作为度量大脑电活动分布状态和分析脑电信号是否异常的一个物理参数。这对其用作诊断其他脑精神疾病的物理指标也具有积极意义。     

孤独症儿童静息态脑电Gamma频段功能网络研究

有研究表明,孤独症儿童的功能障碍可能和脑电中的Gamma频段异常有关。通过采集17例孤独症儿童和17例正常儿童睁眼静息态脑电,利用定向传递函数方法计算导联间的因果连接,构建Gamma频段(35~50 Hz)功能网络。用图论方法分析两组差异。结果表明相同阈值下,孤独症儿童脑功能网络全局效率、局部效率以及节点度均低于正常对照组儿童。提示孤独症儿童认知、行为异常可能与其大脑Gamma频段连接较弱、信息整合效率较低有关。     

复制模型网络上SIS类病毒传播行为分析

利用MATLAB实现复制模型网络,在无向复制网络上模拟SIS类病毒的传播过程,发现其传播过程具有较大的波动性,并呈现出特殊的规则性.     

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.     

基于脑电的水平运动立体影像视疲劳评估

针对长时间观看水平运动立体视频所引发的视觉疲劳这一现象,采用单一运动形式的水平立体视频刺激为实验素材,通过主观实验对比分析被试观看同样的3D素材与2D素材后所引起疲劳感受的差异性.分别采集被试疲劳前后的EEG(electroencephalography)信号与ERP(event related potentials)信号,提取疲劳前后30个电极EEG信号的θ、?、β3个波段小波系数的均值及其比值、、θ/(?+β)、(?+θ)/β、θ/β、(?+θ)/(?+β)作为时频域特征,提取样本熵作为脑电信号的非线性特征.将时频域特征与非线性特征作为联合特征进行立体视觉疲劳评估,避免了单一特征的局限性,多角度分析了视觉疲劳前后特征参数变化.实验结果表明,3D与2D视频均能够使被试在一定程度上产生视觉疲劳现象,且3D显示比传统2D显示对人的影响更大.对比分析ERP信号发现疲劳状态下的N200和P300成分幅值明显下降,而潜伏期略有增加.通过可分性指数FCSI(Fisher’s class separability index)算法、支持向量机SVM(support vector machines)...     

基于多层时变功能脑网络特征的运动想象识别

针对运动想象脑电信号(EEG)识别中信号随时间的结构动态变化与网络分离整合过程被忽视等问题,提出一种基于多层时变功能脑网络的运动想象特征提取方法．本方法截取运动想象有效片段投入EEGLAB进行信号预处理;依据滑动窗口方法,设定合适长度与步长,将信号分成连续且部分重叠的时间窗口,将时间窗口截获的脑电数据生成多个脑网络,以节点间锁相值构建多层时变网络模型．首先通过多层时变网络不同层的网络拓扑分析与层间相似度量指标自适应确定其中核心网络层,提取其节点度和聚类系数用以描述网络空间功能连接;然后结合多层参与系数和多层聚类系数,描述脑电信号网络动态变化与分离整合特征,并组合两者成为多层时变脑功能网络特征向量,完成运动想象识别任务．用支持向量机识别的结果表明：基于所构建的网络特征向量分类准确率高达89.14%,高出对比所用的单层网络特征6.61%.     

基于同步似然的脑电分类方法研究

脑电数据的分类方法一直是疾病诊断、脑机接口等研究的热点,其关键在于分类特征的选择。目前的分类特征(例如样本熵)多基于单个通道,而近期研究报道脑电通道之间存在着相互作用。因此,本文采用了同步似然性作为新的分类特征,并利用SVM分类算法在两组脑电数据上进行了验证。结果表明,同步似然性作为分类特征的结果优于样本熵,可在脑电数据分类中得到更广泛应用。     

磨矿过程控制中专家操作人员脑电特征分析

面向选矿生产系统的优化和智能升级,为进一步保证产品的质量和产量,针对磨矿过程中操作人员行为因素的评定和量化问题,提出一种基于脑电信号(EEG)特征的实时分析方法.首先采用小波分解的方法提取大脑不同脑区的δ,θ,α和β波节律.然后通过小波各尺度的能量序列、分布计算不同脑区EEG的小波熵,根据小波熵的熵值比较确定待分析的脑区.根据小波时频分析的结果确定谱特征(α+β)/(δ+θ+α+β),最后采用B样条拟合及滑动窗,进行实时评定.结果表明,提出的量化指标可以在一定程度上反映操作输出的粒度曲线的变化趋势,能够较为客观地评定操作人员的行为因素.     

基于样本熵的磁刺激穴位加权脑功能网络研究

脑功能网络的构建与分析可帮助探究大脑工作机制。本研究旨在构建并分析磁刺激内关穴脑功能网络,为探索针灸学作用机理提供理论依据。目前,为简化网络计算的复杂性,很多相关研究集中于二值脑功能网络,忽略了节点间连接强度。本研究采集磁刺激内关穴前、中、后3种状态的脑电信号并基于样本熵和互信息方法构建3种状态下反映节点间真实连接程度的加权脑功能网络;利用复杂网络理论对3种状态下加权脑功能网络拓扑性质进行对比性分析。实验结果表明,刺激状态与刺激前状态相比,网络的平均度、平均聚类系数、全局效率均有提高;刺激状态与刺激后状态相比,网络的平均度、平均聚类系数、全局效率整体也呈增强趋势;刺激后状态与刺激前状态相比,除少数被试的网络拓扑特征基本保持不变或小幅度减少外,其余均呈增长趋势,且增长程度不同,考虑与刺激的累积效应和个体差异有关。研究结果表明,磁刺激内关穴使网络各通道间连接强度提高,集群化程度加强,信息传递效率提高。     

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．     

基于相关维数的磁刺激穴位脑功能网络构建与分析

针灸经临床实践已证明其疗效,然而其作用机制仍不清楚,磁刺激穴位为研究针灸理论提供了一种新的方法.本研究采集安静状态和磁刺激内关穴(PC6)状态的脑电(EEG)信号,基于非线性动力学特征(相关维数)和互信息方法构建脑功能网络,基于复杂网络理论对所构建脑功能网络进行分析,对比分析了安静和磁刺激两种状态下的脑功能网络的拓扑性质.实验结果表明,基于磁刺激内关穴构建的脑功能网络与安静状态相比,其拓扑结构发生了改变,网络连接增强,信息传输效率提高,并且"小世界"属性增强.