基于ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。     

一种基于S变换及样本熵组合特征的癫痫脑电信号分类方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义。为了解决脑电信号采用单一特征识别率不高的问题,提出了一种基于S变换与样本熵组合的癫痫脑电信号自动识别方法。首先对原始信号进行S变换;然后对变换后脑电信号各节律的幅值分别求其波动指数,将其与原始信号计算得到的样本熵组合为特征向量;最后采用支持向量机进行癫痫脑电信号自动识别。实验结果表明:方法的分类准确率明显提高,准确率可达到98.94%。     

一种新的基于脑电信号相似性分析的癫痫性发作自动检测方法

癫痫是最常见的神经系统疾病之一。脑电图是大脑电活动的记录,已成为检测癫痫发作的一种有效工具。如何通过数据分析以挖掘癫痫脑电的本质特征,是实现癫痫性发作自动检测的关键。提出了一种新的脑电信号相似性的分析方法,进而在这一方法的基础上定义了待测脑电与模版脑电之间的最大余弦相似度为癫痫脑电特征,并将其应用于癫痫性发作的自动检测。采用BONN和CHB-MIT两个公开数据库来验证该文所提方法的性能。和已有方法相比,该文所提自动检测方法将检测准确率从97. 53%提高至99. 85%。该文所提出的脑电信号相似性分析方法可以成功应用于癫痫性发作的自动检测。     

基于共空间模式和K近邻分类器的脑-机接口信号分类方法

脑-机接口是指在人脑和计算机之间建立的直接的交流和控制通道,它以脑电信号的形式反映人的意识,并转换成控制信号.针对两类运动想象脑电信号的分类问题,提出共空间模式和小波包分解相结合的脑电信号特征提取方法.利用不同小波包对训练集的多路脑电信号进行分解,再用共空间模式算法对不同分解层子带的脑电信号进行特征提取,并采用K近邻分类器对提取到的不同特征进行分类,得到最优小波包函数和小波包子带参数.将结果应用于测试集数据的分类.仿真实验结果表明,选择db4小波包函数和4层小波包分解层,对8个特征点进行分类,可以得到高达96%的正确率.     

基于BP神经网络的癫痫脑电信号识别研究

为了有效识别癫痫脑电信号,建立了基于误差反向传播（BP）神经网络的癫痫脑电信号识别模型,并提出了一种适合于非平稳脑电信号的特征提取方法。本文以临床采集的包含癫痫发作期的五组500个EEG公共数据为样本,选择了具有任意多分辨分解特性的小波包．对信号进行多尺度分解,提取了各级节点的小波包系数。将小波包系数能量作为特征值,构建了特征向量并输入到BP神经网络分类器中进行自动识别。实验结果表明,该算法的识别率达到了92．5％。     

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5 个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98． 4%。较传统Adaboost 算法,该方法采取了GBDT( Gradient Boosting Decision Tree) 作为分类算法,成功利用更多的数据集,并且使得分类精度更高。     

基于TWQT和熵特征的癫痫脑电快速检测

该文提出一种基于可调Q因子小波变换的熵特征提取方法用于癫痫脑电的快速检测。首先,利用TWQT算法对脑电信号进行分解,计算分解后得到的小波子带的中心频率;随后,选择对应癫痫发作时异常波段频率范围的子带进行小波重构,并对重构信号提取排序熵和规则性指数等熵特征;最后,选择包括支持向量机、随机森林、极端梯度提升在内的多种分类器进行分类实验。实验中采用德国波恩大学癫痫研究中心的公开数据集和UPenn and Mayo Clinic′s Seizure Detection Challenge数据集进行验证,所提出的方法针对小样本数据集可以达到99.3%的准确率,100%的灵敏度以及98.6%的特异度,体现了该算法的有效性。     

基于共空间模式和神经元网络的脑-机接口信号的识别

提出了一种基于共空间模式和LVQ神经元网络对不同意识的脑电信号进行分类的方法.脑电信号是通过电极在头皮表面采集的脑-机接口的控制信号,提取脑电信号特征并对其进行分类,组成不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统.首先利用小波包分解对原始脑电信号进行预处理,对分解后特定小波包子带的脑电信号进行共空间模式分解,提取最优的特征;然后利用LVQ网络对不同意识任务特征进行分类,实验结果表明,该方法取得了92.7%的平均分类识别率,已经达到脑-机接口实际应用的标准.     

癫痫脑电的特征提取方法综述

癫痫是一种常见的以反复癫痫性发作为特征的慢性神经系统疾病。癫痫性发作的自动检测是通过机器学习及数据挖掘等方法对癫痫发作脑电自动识别的一种技术。如何设计合适的脑电特征提取方法是有效完成癫痫性发作自动检测的关键所在。文中系统总结了用于癫痫性发作自动检测的脑电特征提取方法,分别从时域分析、频域分析、时频分析、非线性动力学、图论、癫痫计算模型6个方面将已有的癫痫脑电特征提取方法进行归类,并对每类方法的基本原理和设计思想进行了系统的阐述。     

利用高频脑电的局灶性癫痫患者癫痫发作检测

针对现有的大多数癫痫发作自动检测方法都是在脑电的低频段进行而忽略高频成分这一现象,利用长时程头皮脑电的高频成分对局灶性癫痫患者进行癫痫发作检测。首先将19通道的脑电数据在一个滑动时间窗内利用小波分解提取出高频γ波段,再利用有向传递函数算法来提取信息流特征,求得流出信息强度特征用以降维,然后将此波段的特征通过支持向量机进行分类,通过五重交叉验证得到癫痫发作效果评价。结果表明:利用高频检测脑电癫痫发作的正确率为98.4%,平均选择性为60.7%,平均敏感性为93.4%,平均特异性为98.4%,平均检出率为95.9%;通过和使用其他子频带进行癫痫发作检测的结果对比发现,γ波段有着更高的分类效果;表明了对于局灶性癫痫患者,在癫痫发作时,其γ波段的流出信息强度显著性集中和增强在某些脑区。研究内容验证了癫痫发作与脑电中高频成分有关的观点。     

基于正态逆高斯和特征贡献度的睡眠分期实验研究

针对自动睡眠分期任务,提出了一种基于正态逆高斯和特征贡献度的睡眠分期实验框架.提取睡眠脑电信号特征,并对信号进行可调Q因子小波分解（TQWT）,针对TQWT子带提取正态逆高斯参数特征;基于SVM模型实现特征贡献度排序与筛选,针对高贡献度特征,比较多种分类器的分期结果并设计多分类器组合自动睡眠分期算法.采用PhysioBank的Sleep-EDF数据集进行验证,取得了89.88%的平均睡眠分期准确率,相较于单一分类器的分期准确率有较大提升,对睡眠障碍的临床诊断与研究具有较大价值.      

融合频带能量特征和双向门控循环单元的运动想象意图识别

针对脑电信号分类正确率低的问题,结合频带能量、小波包变换和双向门控循环网络,提出了一种基于频带能量特征序列和深度学习算法的运动想象意图识别方法。首先,利用小波包变换对脑电信号进行分解、重构,获得运动想象相关频带信号;其次,对所得频带信号进行加窗,并滑动截取,通过计算所截每段信号能量,实现能量特征的时序化分解;最后利用双向门控循环网络对脑电信号进行识别并输出分类结果。实验结果表明:所提算法取得了92.1%的分类正确率,表明所提方法是切实可行的,能够有效改善分类识别率。     

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。     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

组稀疏贝叶斯逻辑回归的P300信号通道自动选择算法

为了提高脑机接口中P300脑电信号的分类准确率和计算速度,提出一种组稀疏贝叶斯逻辑回归的P300脑电信号通道自动选择算法.该算法首先在贝叶斯框架下建立P300脑电信号的解码模型,其次提出先验的组自动相关确定(GARD)方法构建组稀疏约束下的P300脑电通道权重系数,最后通过最大似然估计来求解超参数并选出P300脑电通道最优子集,避免了大量的交叉验证过程.所提方法在BCI竞赛数据和自采集数据上进行了验证分析.实验结果表明,所提的方法能够自动选择P300脑电通道子集,提高了P300特征分类准确率.     

基于SVM分类器的癫痫脑电时空特征提取方法的研究

癫痫发作具有突发性和反复性,给患者的生命安全带来巨大隐患。为了给患者提供有效的预警,结合时间和空间两个维度,选取模糊熵和皮尔逊相关性作为特征参数,分别衡量时序信号复杂度和空间通道间的相关性; 利用F-score筛选出最优特征组合,既增加了预测的准确率又去除冗余信息; 利用支持向量机(support vector machine,SVM)分类器识别癫痫发作前期和发作间期的颅内脑电信号。为验证该特征的预测效果,进行了模糊熵或皮尔逊相关性单独作为特征参数的对比试验。实验结果表明,与单一特征相比,时空特征的预测效果更好,准确率高达91.26%,误报率仅为2.32%。该方法能有效提取癫痫特征信息,为癫痫的临床预警提供新思路。