诱发脑电信号执行控制力特征识别研究

斯特普(Stroop)干扰试验常被用于执行控制力研究中,结合脑电在认知能力领域中的应用,采用数字Stroop干扰试验来诱发脑电信号,通过以样本熵为参数试验条件下脑电信号复杂度分析,观察脑电复杂度变化规律,建立执行控制力脑电特征识别方法.随机选取35名大学生进行数字Stroop干扰试验,同时采集被试的脑电信号,对脑电复杂度分析发现:试验过程中被试脑电样本熵值先降低后上升,最后回到正常水平;Stroop干扰试验下测评分数越高的被试,其样本熵的降低幅度越小.相关性统计分析得到,样本熵变化值与执行控制力相关系数为-0.699,呈显著负相关.研究表明基于Stroop干扰试验下脑电信号复杂度能够反应被试的执行控制力.     

基于样本熵的注意力相关脑电特征信息提取与分类

提出一种用样本熵作为特征进行注意力相关脑电信号的分析与分类处理、并采用支持向量机(SVM)算法实现分类器的方法.7位年龄在20~30岁之间的男性受试者接受了执行3种不同注意任务状态下的测试.数据分析结果显示:样本熵分类法对注意任务相关脑电信号分类的正确率可达85.5%,优于传统频段能量法获得的分类精度(77.9%).这个结果暗示了样本熵能有效地识别出自发脑电中注意力相关信息,因而它可在脑电生物信息反馈治疗系统设计中获得广泛的应用.     

基于字符串变量的模糊熵算法的改进

为了解决样本熵算法缺乏连续性,而改进的样本熵算法即模糊熵算法运算复杂、速度慢的问题,结合模糊熵和样本熵算法各自特点,引入字符串变量代替相空间重构的思想,建立模糊熵新改进算法.选择35名大学生作为被试,分别以样本熵、模糊熵和新改进模糊熵算法计算复杂度参数,进行体现认知功能特征的事件相关电位复杂度分析,3种算法得出的复杂度对比分析表明:模糊熵新改进算法计算结果与样本熵算法和原模糊熵算法均具备一致性,适用于脑电信号特征提取.新改进算法与样本熵算法相比,计算事件相关电位得到的熵值变化幅度更大,更能有效识别被试的认知活动中脑活跃程度;计算长度为1 000的脑电序列一次,平均运算时间只需约2.1 s,较样本熵算法3.2 s,模糊熵算法10.4 s,大大提高了运算速度.     

基于多导脑电复杂性测度的脑疲劳分析

通过对连续长时间脑力劳动前后状态下的脑电信号进行分析,提取了脑电信号的基本尺度熵和排列熵两种复杂性测度,研究了它们与脑疲劳程度之间的关系,以及它们在不同脑疲劳状态下的变化规律及其相关性.实验结果表明,基本尺度熵和排列熵与脑疲劳程度之间存在很强的关联性,对于不同的脑疲劳状态,随着脑疲劳程度的增加,其alpha(8～12 Hz)、beta(13～30 Hz)频率段和total频率段(0.5～30 Hz)脑电信号的基本尺度熵和排列熵逐渐降低.相对于Tsallis熵算法,基本尺度熵和排列熵可以更好地反映疲劳前后脑电信号复杂度的变化特性.同时,由于基本尺度熵和排列熵算法概念简单,运算量小,因而它们的计算复杂度大大降低,运算速度更快,使得实时分析与监测脑疲劳成为可能.脑电信号的基本尺度熵和排列熵有望成为衡量脑疲劳程度的指标.     

去除脑电信号眨眼伪差的独立成分时域相关算法

针对脑电信号易受眨眼动作干扰的问题,提出了一个自动地去除眨眼伪差的独立成分时域相关算法.该算法使用独立成分进行分析,并分解脑电信号,然后利用眨眼伪差独立成分与某些导联的脑电信号之间在时域存在较大相关性的特点,计算每个独立成分与前额附近的5个导联(Fp1,Fp2,F3,F4,Fz)信号的相关值的累加值,并对该值进行排序,将具有最大值的独立成分识别为眨眼伪差独立成分,将其设置为0,最后重建干净的脑电信号.通过对脑电信号的去除伪差实验表明:眨眼伪差引起的干扰基本被消除,伪差检测算法的敏感度和特异度分别是97.7％和98.3％,同时该算法能有效保持脑电信号基本不变.     

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.     

快速序列视觉呈现任务下的脑电分类算法

提出了一个在快速序列视觉呈现任务下的脑电信号分类算法.将图片序列快速呈现给受试者并将同步采集脑电信号,将脑电信号截取分段作为样本集.通过约束有监督降维后样本与样本中心差值的趋近方向,使用训练集脑电数据训练得到映射矩阵;通过特征提取函数将训练集和测试集的脑电数据样本变换为特征矢量,使用支持向量机对样本进行分类.实验结果表明,算法对24名受试者的脑电信号分类的平均正确率为91.5%,平均AUC达到了0.95,证明脑电分类算法具有良好的分类性能,可以在快速序列视觉呈现任务中准确地识别目标图片.     

颅内压增高皮层脑电的复杂度分析

为研究颅内压增高对脑功能的影响,以家兔为实验对象建立侧脑室灌注加压的单纯颅高压模型.采集皮层脑电信号并同步记录颅内压(ICP)、心电、呼吸、动脉血压等信号,采用迟滞粗粒化方法和Lempel-Ziv算法计算脑电信号的复杂度,分析不同ICP状态下脑电信号的非线性变化特征.发现以灌注加压前基础ICP时的状态为对照,ICP为2,4倍基础值时的脑电信号复杂度显著降低(P＜0.01);ICP越高,复杂度越低;ICP恢复正常后,脑电复杂度有恢复趋势.研究结果表明,脑电信号的复杂度可用于检测由于ICP增高引起的脑损伤并有可能对其损伤程度进行定量评估.     

非监督特征学习方法在脑电身份识别中的应用

设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取,并对提取的特征向量进行了模式分类.实验中共采集5名受试者脑电信号,每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100⁴00ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成,各受试者样本集均含400个试次样本.非监督特征学习过程由含6个神经节的BP神经网络完成,后选用支持向量机作为分类器.对比了1试次,2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率.实验结果表明:采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90%,显著优于对各单通道时域特征向量的分类正确率,该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式.     

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.     

微弱脑信号专注度特征提取与识别

目前基于脑机接口的脑电信号研究得到越来越广泛的关注,然而传统脑电信号采集需要使用电极帽并涂抹胶泥膏而不被大多数用户所接受。因此,将研究使用无需涂抹胶泥膏的独立电极采集脑电信号,然而使用独立电极采集脑电信号容易出现干扰大、信号不稳定等缺陷。为了快速有效提取脑电信号特征并克服独立电极采集脑电信号的缺陷,将采用低通滤波方法进行工频干扰的滤除,利用独立成分分析(ICA)实现脑电信号中的眼电伪迹分离,并在此基础上通过设置水平眼电和垂直眼电阈值以及各个独立成分在脑部位置的空间分布特性实现眼电伪迹的识别。最后,分别利用β波能量以及样本熵来衡量人脑专注度的高低,仿真结果表明两者均与专注度成正相关,实验以Neuro Sky专注度为基准,将两种算法分别与其进行对照。此外,样本熵与Neuro Sky算法的相关度比β波能量法提高了26%,说明样本熵专注度提取算法更能精确跟踪人脑注意力的变化,对脑电信号专注度的衡量与实际更加吻合。     

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．     

采用改进共空间模式算法的四类表情辅助脑电信号识别方法

针对采用传统共空间模式(CSP)算法处理脑电信号时存在的特征提取困难、计算复杂度高及信号识别率低等问题,提出了一种基于重复二分滤波器组共空间模式(RB-FBCSP)算法和支持向量机(SVM)算法的4类(左撇嘴、右撇嘴、皱眉、扬眉)表情辅助脑电信号识别方法。利用滤波器组筛选出表情辅助脑电信号中包含α波和θ波的信号;将4类表情看作上面部表情(皱眉、扬眉)和下面部表情(左撇嘴、右撇嘴)两大类进行CSP特征提取,并结合SVM分类器进行分类;将识别出的上面部和下面部表情脑电信号均重复进行一次CSP特征提取和SVM二分类,实现表情辅助脑电信号的四分类。实验结果表明：所提识别方法的计算复杂度与采用传统CSP扩展算法的脑电信号识别方法相比有明显降低,且运算耗时少、平均分类准确率高,可达89.61%;相比于传统OVO-CSP、OVR-CSP和小波包变换算法结合SVM分类,所提识别方法的平均识别率分别提高了9.23%、9.82%和8.04%。     

基于脑电波复杂度的麻醉深度监测

脑电(EEG)是能反映麻醉深浅程度的电生理信号，为了能从非线性、非平稳的脑电信号中提取与麻醉深度相关的有效信息，笔者采用由Lempel和Ziv提出的复杂度算法，对实测SD大鼠在不同麻醉状态下脑电信号的复杂度进行计算，比较了不同麻醉深度下脑电复杂度的变化情况．从实验观察的现象与数据比较结果可见，利用复杂度来表征脑电信号的特征值可以很好地反映麻醉的深浅程度，而且算法简单、实时性好，是一种量化庆醉深度的新方法．     

早期血管性痴呆患者的效应连接研究

为探索早期血管性痴呆(VaD)患者与正常老年人脑区间效应连接(effective connectivity)的差异性,基于多导联脑电信号的相位信息,利用有向相位延迟指数(dPLI)算法,对两组受试者在执行oddball视觉探测任务过程中的脑电信号进行研究。结果表明:在θ频段,与正常老年人相比,早期VaD患者顶区到额区和顶区到中央区的连接强度均显著降低;正常老年人存在顶区脑活动相位超前、额区及中央区脑活动相位相对滞后的现象,而这种相位关系在早期VaD患者中被打破。因此,能够推测出远距离脑区间功能连接强度的下降,顶区核心地位的削弱,顶区相位超前、额区及中央区相位滞后现象的缺失可能是造成早期VaD患者认知功能下降的原因。该研究为VaD患者的发病机理研究、早期临床诊断研究提供了参考和依据。     

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．     

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．     

基于对称导联脑电信号分析方法的脑损伤区域的判别

为研究采用脑电信号判别脑损伤的部位,提出了基于对称导联的信号分析方法。首先,获取安静状态和唤名刺激下脑电数据,提取脑电信号的近似熵和频谱特征;然后,分别计算对称导联的EEG特征,并对损伤区和非损伤区两组的特征值进行单因素方差分析;最后,选取一个病例,分析不同部位的特征参数比值进行损伤部位的判别,并同CT图像诊断结果进行匹配对比。结果表明,严重意识障碍患者的脑损伤和未损伤部位对称电极之间脑电特征参数比值具有显著性的差异(P0.05)。单一病例的分析结果表明,采用本文提出的方法所得出的判断结果是正确的。因此,该方法能够简便可靠地实现脑损伤部位的判别,在临床辅助诊断中有一定的应用推广价值。     

过度使用互联网对脑电信号的影响

当前,青少年上网成瘾已经成为一个严重的社会问题,为此,使用样本熵与功率谱分析方法,对9例过度使用互联网与9例较少使用互联网的受试者的脑电复杂度与功率谱进行了对比研究．发现过度使用互联网者在上网后各电极位置的脑电样本熵值较上网前均明显增大（P〈0．05）,而较少使用互联网者在上网后大部分电极位置处的样本熵值均较上网前有所减小,并且在一些电极位置处明显减小（P〈0．05）;而且,相比于上网前,过度使用互联网者在上网后所有电极位置处较慢的δ波成分均明显减少（P〈0．05）,θ波成分无明显变化,较快的α波、β波和γ波成分大都明显增加（P〈0．05）,而较少使用互联网者在上网前后脑电的各个成分大都没有明显的变化．这说明过度使用互联网会对大脑产生一定的影响．     

基于多尺度符号转移熵的脑电信号分析

无论从全局还是局部的角度出发,采用多尺度转移熵表示全局和局部两类脑电(electroencephalography,EEG)信号,并分析其动态和不对称信息。采用比例系数从1到199、步长为2的多尺度方法处理正常人和癫痫病患者的脑电信号;然后采用维度为3的全局排列方法表示序列。将正向和反向符号序列作为转移熵的输入。比例因子的间隔和全局路径分别为(37,57)和(65,85),分析发现两组EEG信号的熵值在该处较容易区分。当比例系数为67时,健康对照组和癫痫病患者的转移熵值分别为0.113 7和0.102 8,差异最大。在比例系数是165时,全局变量的相应值为0.064 1和0.060 1。研究结果表明,合适的排列有助于更好的区分脑电数据信息,采用多尺度符号转移熵分析EEG信号更加有效。