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。     

基于多频段图模型的微弱脑电信号异常检测

脑电信号(electroencephalogram, EEG)在癫痫发作检测方面具有重要意义。为了实现对癫痫发作的早期预警,充分利用δ、θ、α、β和γ波这5个频段中脑电的微弱变化信息和图模型的独特优势,提出了基于多频段图模型的脑电信号微弱异常变化检测方法。该方法首先对滤波后脑电信号的5个频段分别进行图模型动态建模,利用距离函数得到量化图模型之间关系的相似性分数,并用自适应权重融合算法融合所有的相似性分数得到综合性指标,最终通过假设检验来判断脑电信号是否发生异常。利用公开的波士顿儿童医院-麻省理工学院(Children’s Hospital Boston-Massachusetts Institute of Technology, CHB-MIT)头皮EEG数据库和山东大学第二医院神经内科的EEG数据库分别进行了实验,并最终用查准率、查全率和F分数来评价所提方法的检测性能。通过与基准方法比较,实验结果表明：所提方法在查准率和F分数方面优于基准方法,且查全率结果可达100%,表明所提方法能够检测所有潜在的微弱脑电信号异常变化,实现了对所有癫痫发作时刻的变化检测,具有突出的优越性和广阔的应用...     

小样本脑电信号(EEG)处理系统

脑电信号分析,在神经生理学及脑科学研究中,占有极为重要的地位。小样本脑电信号(EEG)处理系统是我校人工智能所研制成功的。 该系统是一个多功能脑电信号分析处理系统,由IBM—PC机、专用数据采集硬件、专用处理软件3部分组成,可以较好地对脑电信号完成多种时域、频域、空间域的处理,其主     

应用多分辨率小波变换提取脑电信号异常节律

脑电信号是非平稳的随机信号，其中包含了大量的生理和疾病信息，对于医生判断脑都是否有器质性的病变具有重要作用。因此对脑电信号的分析和处理一直是人们努力研究的领域。考虑到小波变换良好的时频局部化特性，利用多分辨率小波变换方法来实现脑电信号异常节律的提取，脑电信号经多分辨率小波变换后所得到的各个尺度的信号不仅反映了信号的频率信息，即尺度越大，对应信号的频率越低，同时也反映了信号的时间信息，即反映此时的EEG状态，实验结果表明，选择合适的小波基，可以有效地提取脑电信号中的异常节律。     

深度学习的睡眠脑电特征波检测

回顾了深度学习（deep learning,DL）技术在睡眠脑电检测上的应用．以睡眠脑电过程中的纺锤波检测问题为例,探讨了睡眠脑电检测的各类方法,以及相较于传统信号处理算法,DL算法在睡眠脑电纺锤波检测问题上具有精度较高、对数据适应性更强的特点．针对进一步提高网络检测性能与硬件适用性需求,提出特征融合与脉冲神经2种改进型网络,并获得较高的检测性能,进一步阐释了DL技术在睡眠脑电特征波检测方面的应用潜力．      

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。     

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.     

静息态亚健康失眠脑功能网络分析

针对亚健康失眠者根据匹兹堡睡眠质量指数筛选被试参与实验,利用128导脑电（EEG）分析仪,提取静息态64导脑电信号,通过多通道脑电信号同步性分析,脑功能网络的构建和分析,研究亚健康失眠者与健康人脑电信号的特异性差异,同时进一步比较分析亚健康失眠者与健康人脑电的负相关特性.分析结果表明亚健康失眠者与健康人相比,脑电信号同步性降低,脑功能网络的连接减弱,大脑的活跃度降低,并且这种差异性在脑电负相关特性中表现更为明显.     

离散小波变换结合二阶盲辨识的眼电伪迹自动去除方法

针对传统去除眼电伪迹的方法极易丢失潜在脑电信号的问题,提出一种离散小波变换(DWT)与二阶盲辨识(SOBI)结合的眼电伪迹自动去除方法(DSOBI)。首先将多通道脑电和眼电信号进行多层DWT得到多尺度下的小波系数,在小波域利用SOBI消除小波系数统计上的相关性,有效分离脑电和眼电伪迹,根据相关系数识别出眼电伪迹源分量并置零,再依次重构得到干净的脑电信号(electroencephalography,EEG)。方法对构造的数据进行去伪迹处理,均方误差为1.93,信噪比为14.32,与传统方法相比具有显著优势;对10位被试的真实脑电数据进行处理,利用相关系数验证本方法去除眼电伪迹的有效性,同时保留更多脑电信息。     

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.     

零相位数字滤波器

针对通常情况下滤波器引起的相移问题,概述零相位滤波的重要意义。提出了将输出信号序列反转后通过滤波器,然后将所得结果逆转后再次通过滤波器的ＲＲＦ滤波方法。还提出通过时间反转法直接构造零相位数字滤波器方法。通过仿直实验对零相位数字滤波方法给予验证。指出零相位数字滤波器的设计方法。使数字信号处理中滤波器引起的相位失真问题得到很好的解决。     

高电压绝缘介质损耗角测量的数字处理

分析高电压介质损耗角数字化测量中谐波及干扰信号等误差因素，探讨零相差FIR滤波器设计，采用傅里叶变换等数字处理方法，使用DSP系统测量介质的损耗角，并给出有关计算结果。仿真计算结果表明，该方法具有较高的抗干扰能力和准确度。     

离散余弦列率滤波器的设计及应用

为在信号滤波领域发挥离散余弦变换（ＤＣＴ）潜在的优良特性,提出了离散余弦列率滤波的时域卷积算法,引入一种新型的线性相位数字滤波器－离散余弦率滤波器（ＤＣＳＦ）导出了任意长度一维和二维ＤＣＳＦ的设计公式,讨论了这种滤波器在广义标量维纳滤波和倍频程于带滤波中的应用,实验结果表明,ＤＣＳＦ可实现无形波失真的良好滤波效果,ＤＣＳＦ滤波算法简单,其计算量（乘法和加法）仅为采用快速ＤＣＴ（ＦＣＴ）的算法的１／     

多通道脑电信号眼电伪迹自适应去除方法

针对现有方法在眼电伪迹自动去除中存在有用信息丢失,伪迹分量识别困难的问题,提出了一种结合粒子群优化算法、独立成分分析和小波变换的伪迹自适应去除算法。首先,采用均方根误差和Pearson相关系数设计了粒子群优化算法的适应度函数,利用优化算法实现了两个样本熵阈值的自适应设置;然后利用快速独立成分分析算法将脑电信号分解为统计独立分量,根据第一个样本熵阈值自动识别含伪迹分量,含伪迹分量经过四层小波分解得到五个小波分量,根据第二个样本熵阈值自动识别伪迹分量,将识别的伪迹分量置零;最后经过小波重构和逆变换,获得去除眼电伪迹的脑电信号。采用Graz data set A数据集进行实验验证,结果表明提出的方法能够实现多通道脑电信号伪迹的自动去除;采用Klados数据集进行实验验证,结果表明,与SE-CEEMDAN方法相比,采用提出方法实验获得的均方根误差降低了4.816,约38.2%,Pearson相关系数提高了0.025,约2.97%。     

可变限幅滤波方法的参数分析与改进

针对可变限幅滤波方法,通过与常见数字滤波方法的频域和时域分析对比,证实了其优良性能。从频域和时域角度研究了其参数对截止频率和噪声衰减的影响,分析了其参数的设定原则和对信号真值跟踪性能的影响,提出了结合可变限幅滤波方法和一阶低通滤波方法的改进方法。在煤气化过程的煤粉质量流量滤波上获得了应用,证明了该方法的可实现性和有效性。     

K-means聚类神经网络分类器在睡眠脑电分期中的应用研究

利用近似熵的方法对睡眠EEG信号进行分期,但睡眠Ⅲ期和Ⅳ期近似熵值非常接近,靠近似熵值无法区分,对分期结果中的Ⅲ期和Ⅳ期EEG信号进行AR(自回归)建模,作为该段EEG信号的特征属性,利用K-means聚类的神经网络分类器对睡眠Ⅲ期和Ⅳ期进行分期,达到了很好的分期效果.     

基于感觉运动BCI系统的EEG手部运动分类

对于残疾人或者运动不便的健全人,感觉运动相关的BCI（Brain Computer Interface）系统是十分必要的.BCI系统的关键部分是对EEG（Eletroencepalograph）信号的采集、提取和分类.本文研究的是手部三种动作在运动执行的情况下,人脑产生的EEG信号的不同.利用EEG信号在运动时发生于大脑感觉运动皮层区域的ERS（Event-Related Synchronization）和ERD（Event-Related Desynchronization）现象,运用EMD（Empirical Mode Decomposition）等算法进行信号的特征提取,然后进行分类,得出了平均准确率为78.75％的良好结果.此次研究提供了一种基于EMD新的有效的运动相关BCI系统研发中的EEG信号的特征提取算法.     

基于时延空时滤波的P300波形提取及目标分类算法

提出一种基于时延空时滤波的P300波形提取及目标分类算法.将多通道脑电信号进行时延,利用最小二乘法思想构造代价函数,通过交替优化的方式估计空时滤波器和源信号,使代价函数收敛并得到空时滤波器,实现空域的源分离和时域的波形提取.经过仿真P300数据对算法性能进行验证,结果表明,该算法对P300波形恢复效果优于同类型的相关算法.对真实脑电数据进行处理,用算法得到的空时滤波器提取P300源成分作为分类特征,利用训练集得到的P300源成分训练Fisher分类器进行目标分类.结果表明,算法的P300波形提取效果、目标分类准确率及AUC值均优于同类型的相关算法.因此,该算法可有效提取P300波形并进行目标分类.      

基于时频空多维融合特征的脑电情感识别

脑电信号(Electroencephalogram,EEG)包含丰富的时间,空间和频率信息,是最能准确反映情感状态的生理信号,在情感识别领域发挥着重要作用。由于单特征的脑电情感识别研究方法存在缺失信息的问题,因此提出了三维融合特征的脑电信息处理方法,将脑电信号的微分熵频域特征和八种时域特征进行融合,按照电极片位置信息进行空间排布,提取脑电信号的三维混合特征。将注意力机制引入多任务卷积神经网络(Multi Task Attention Convolutional Neural Network,MTA-CNN),并将构造的三维特征作为输入进行测试分析。结果表明,所提出模型方法在DEAP数据集的效价维和唤醒维二分类问题准确率均有显著提升。