运动态人脑默认模式网络脑电信息传递动力学行为分析

为探究人体进行运动相关任务时大脑默认模式网络与其他脑区间的连接规律,基于运动及运动想象脑电信号公开数据集,通过快速傅里叶变换对不同状态下的脑电信号划分频段并进行滑动加窗处理,得到静息与运动态下同皮层不同频段的平均时间序列。采用动态传递熵的构造方法,分析默认模式网络到运动皮层、默认模式网络到前额叶皮层的信息交互,并在多个数据集下进行显著性检验。将动态传递熵的分析方法结合逻辑回归、决策树、XGBoost算法对不同任务进行分类研究,结果表明：大脑不同皮层功能区在进行不同任务时具有显著差异;相较于静息态,前额叶皮层和运动皮层在运动过程中更加活跃,γ频段相较其他频段也更加活跃;相较于静息态,运动态及运动想象态下默认模式网络到运动皮层、默认模式网络到前额叶皮层的信息交互都更强烈,其结果在不同样本空间的显著性检验P值小于0.025,此方法稳健;脑电信号动态传递熵方法可以将机器学习算法的分类准确率提高20%以上。研究可为运动态脑电信号辨识提供理论参考。     

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.     

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。     

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.     

基于脑电信号的驾驶疲劳检测综述

围绕基于脑电信号的驾驶疲劳检测,通过大量文献检索,总结了脑电信号采集设备、脑电信号特征提取方法和脑电信号分类方法三个方面现状．分析了采集设备的便携性与舒适度问题、与疲劳相关特征的稳定性问题及疲劳检测模型的鲁棒性问题,进而梳理并总结出基于脑电信号驾驶疲劳检测的三个发展趋势：从湿式电极到干式电极;从通道内特征到通道间特征;从浅层机器学习到深度学习．     

基于脑电的磁刺激神门穴脑功能网络研究

研究磁刺激神门穴状态下与静息状态下9名健康被试的脑电信号样本,分别构建两种状态下的脑功能网络,并对不同的网络测度进行分析.首次从复杂网络角度探索神门穴的治病机理,期望为穴位磁刺激疗法提供实验参考.分析结果表明磁刺激神门穴时脑电信号之间的关联系数值相比静息状态下降低,平均聚类系数、平均最短特征路径长度以及平均度在阈值区间均发生显著变化,小世界属性指标增强,并存在显著性差异(P<0.01).磁刺激神门穴状态下各节点通道间的紧密程度降低、连接情况较为松散、网络中各节点同步能力减弱、效率降低、网络规模减小,这时的大脑很可能处于一种比较镇静的状态而有利于睡眠的产生.     

基于脑电信号的聋人情绪识别研究

针对聋人大学生容易出现情感表达障碍和情绪识别困难等问题,文中提出了基于脑电(electroencephalogram, EEG)信号的聋人情绪识别方法。首先对采集到的EEG信号用5阶巴特沃斯滤波器将其分割为5个频带,提取各频带的功率谱密度(power spectral density, PSD)和微分熵(differential entropy, DE)特征,利用支持向量机(support vector machine, SVM)进行分类实验。分析了聋人在不同情绪状态下的脑地形图,得出与情绪处理相关的关键脑区。最后根据关键脑区分布,提出了聋人情绪识别的关键通道选择模式并进行了分类实验。实验结果表明,与聋人情绪相关的主要频带为Beta和Gamma频带,且DE特征在聋人情绪识别中具有较大优势,在全频带62通道的平均识别准确率可达到97.57%;与聋人情绪处理相关的主要脑区为前额叶和枕叶;DE特征在10通道的识别准确率达到96.14%,可与62通道分类结果相媲美。研究结果可为开发应用于聋人情绪识别的可穿戴EEG设备提供参考。     

基于CNN和LSTM的脑电信号情感识别

为了提高脑电信号情感识别的准确率,提出了一种基于卷积神经网络(CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络的脑电信号情感识别方法.首先,对62个通道的脑电信号进行预处理,并对预处理后的每个通道的脑电信号分别采用一维卷积神经网络提取情感特征.然后,利用LSTM网络在序列上的建模能力,...     

基于格兰杰因果关系的磁刺激内关穴脑功能网络的研究

磁刺激具有有效、无痛、无损伤、易于重复和操作简便等显著的优点,在中枢神经功能检测和神经功能恢复等方面具有广泛的应用价值.穴位是中医针灸调控神经系统由体表刺激到体内的切入点,对研究大脑调控机制和疾病的治疗有重要意义.本研究利用格兰杰因果关系构建基于磁刺激内关穴（PC6）的脑电（EEG）信号的脑功能网络,探究大脑的因果关系变化规律,并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.研究表明,磁刺激内关穴前整个大脑系统的信息流向是平衡的,而磁刺激内关穴后额叶区的格兰杰因果关系的强度增加,且信息流向主要由额叶流向枕叶.顶叶区C4介数中心性强度显著提高.网络的传输效率提高,网络的"小世界"属性增强.     

基于时频域组合特征的脑电信号情感分类算法

为了提高基于脑电信号(electroencephalogram, EEG)情感识别的准确率,提取了脑电信号的时域与频域特征,并且将其进行组合形成时频域组合特征,作为不同识别模型下的输入。采用集成决策树(bagging tree, BT)、贝叶斯线性分析(Bayesian linear discriminant analysis, BLDA)、线性判别分析(linear discriminant analysis, LDA)及支持向量机(support vector machine, SVM)四种浅层机器学习算法对EEG在效价与唤醒度上进行二分类情感识别。实验结果表明,DEAP数据集在效价上,基于时频域组合特征在BT分类器下的识别精度平均达到92.54%,在唤醒度维度上基于时频域组合特征在SVM下平均识别精度达到94.62%。     

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。     

基于有监督学习的概率神经网络的脑电信号分类方法

针对脑机接口(BCI)研究中脑电信号(EEG)的模式识别问题,提出了一种基于有监督学习的概率神经网络(PNN)的分类方法.该方法用学习矢量量化对各类训练样本进行聚类,对平滑参数和距离各类模式中心最近的聚点构造区域,并采用遗传算法在构造的区域内训练网络.利用BCI2003竞赛的标准数据,该方法使得EEG的识别正确率达到93.8%,与竞赛的最好结果(88.7%)相比提高了5.1%,为BCI研究中脑电信号的分类提供了有效的手段.     

基于Matlab GUI的脑网络仿真平台构建与分析

为了便于科学研究和医学诊断,搭建一个脑网络研究的基础平台,直观、友好的展示脑网络的研究是极其必要的.利用Matlab GUI的特点实现平台主框架的搭建,并结合实际给出了磁刺激足三里穴的脑电信号在该平台中的网络构建、分析和显示,结果表明基于Matlab GUI搭建的平台,除了具备界面友好特点外,还能够方便的进行脑电数据的处理以及分析,为脑网络的进一步研究发展提供了良好的条件.     

基于PSD特征的FBCCA脑电信号识别方法

:当前基于稳态视觉诱发电位 (Steady-State Visual Evoked Potential,SSVEP）的脑机接口使用的都是单一识别算法,针对不同时间长度的识别准确率较低。本文提出了一种基于滤波器组的典型相关分析（Filter Bank Canonical Correlation Analysis,FBCCA）与功率谱密度（Power Spectral Density,PSD）分析相结合的SSVEP识别算法,可以提高SSVEP识别的普适性与准确率。该方法使用FBCCA寻找高相似度的参考频率信号,再通过多组PSD分析来锁定最终的响应频率,完成频率识别。该方法无需经过训练就能得到较高的识别准确率。实验结果表明,在刺激时长为1s时,该方法能达到86.61%的准确率,比PSD分析的方法提升了5.44%,比典型相关性分析方法(Canonical Correlation Analysis,CCA)提升了10.38%的准确率,比FBCCA提升了8.86%的准确率。     

基于有向加权网络的设施管理综合服务商评选模型

提出基于有向加权网络的设施管理(FM)综合服务商评选模型。在对设施管理供应商进行分级处理的基础上,明晰多级供应商评价指标体系和企业合作性程度评价指标体系,并分别用于设施管理供应商网络点权和边权评价。通过基于层次分析法(AHP)的模糊综合评价法对设施管理供应商有向加权网络点权、边权进行赋值,构建设施管理多级供应商选择模型,并采用最短路径法对模型进行求解。最后,通过案例模拟验证了模型的实用性和可操作性。     

基于复杂网络理论的中国城市航空网络有向加权分析

为了科学优化中国航空网络资源分配、测评特殊机场的重要地位,本文运用复杂网络理论,构建中国城市航空有向加权网络,探究其网络结构特征并以度中心性、介数中心性、入强度为指标进行节点重要性排序筛选国内重要机场节点。结果表明,中国城市航空网络的节点度值和边权值分布都具有异质性,是一个无标度网络;不同方法筛选出的重要机场节点基本一致,筛选结果为网络整体管控提供有效意见;ZWWW、ZYHB机场在介数中心性相对其他指标较高,在网络中具有重要的中转作用。     

基于非回溯矩阵的有向网络拆解方法

网络拆解是指通过移除最少的节点集将网络拆分为相互不连通的子部分从而达到对网络进行有效控制的效果。但是现有的绝大多数工作只聚焦于无向网络的拆解问题,对有向网络的研究很少,因为当网络中的连边为有向时应用现有方法会使拆解产生较多的耗费。针对此问题本文提出了一种有效的基于非回溯矩阵的边模块拆解方法,将边模块谱划分和有向网络拆解问题相结合,找到连接不同边模块的最少关键点集进行移除。为验证本方法的有效性,将其应用于大规模人工网络和真实网络,多重实验结果表明本文所提方法在拆解精度和计算效率上都具有很大优势。     

基于二叉树的有向双环网络最优路由算法

提出了有向双环网络G(N;r,s)路由模型--二叉树模型,给出了一种新的寻径策略--基于二叉树层的寻径策略,以及计算有向双环网络G(N;r,s)直径d(N;r,s)的显式公式,证明了有向双环网络G(N;r,s)的直径等于二叉树模型的树高,研究了二叉树模型中与路由相关的一些性质.与传统的方法相比,本算法提高了系统的寻径效率.     

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%.