基于单导脑电经验模式分解的癫痫发作预测

目的寻找一种通过单通道脑电分析实现癫痫发作预报的新方法。方法从西京医院癫痫中心的临床病例中选择7名受试者记录癫痫发作前后8个通道的脑电,对发作前的各导脑电信号进行经验模式分解,提取分解后各分量的复杂性测度,将其作为一个4层（7-6-2-1）神经网络的输入进行非线性分类,神经网络的训练采用去一循环法（leave one out）。结果研究表明,所提出的方法在预报癫痫发作时的表现为：根据所用脑电导联不同,准确度为71.7%-78.3%,特异性为71.4%-88.1%,敏感性为50%-77.8%范围。另外,系统运算速度足够快,适合临床实时检测需要。结论所提出的方法在预测癫痫发作时有一定优势,但进一步的研究仍然是必要的。     

亚健康脉象信号的非参数化双谱估计

根据脉象信号的非高斯随机特性,应用双谱估计对其进行分析,提取处于亚健康状态的脉象信号的异常信息,探索亚健康的诊断与治疗评估的客观诊断依据.在信号处理过程中,双谱的相位携带有信号的重要特征信息.采用双谱估计分析法中的非参数化算法对脉象信号进行研究发现,处于亚健康状态的双谱幅值谱峰比处于健康状态的更突出,较大双谱值的分布更为集中.实验结果表明:非参数化双谱估计是分析脉象信号的有效且可行的方法,可以作为识别亚健康状态的方法进行深入研究.     

基于双向长短时记忆神经网络的步态时空参数脑肌电解码方法

针对脑电(EEG)信号对连续步态轨迹解码结果与实际轨迹相关性低的问题,提出一种基于双向长短时记忆(BiLSTM)神经网络的步态参数解码方法。首先,构建基于双向长短时记忆神经网络的步态时空参数解码模型,根据脑肌电信号特性设计解码模型的超参数;其次,同步采集脑电、下肢运动相关肌肉的表面肌电信号(sEMG)和下肢关节运动信号,并对脑电和表面肌电信号的步态相关特征进行分析;然后,以多通道脑电和下肢运动相关表面肌电信号作为解码模型的输入,自动提取脑肌电融合信号中步态相关特征并构建膝踝关节运动轨迹与特征之间的非线性回归模型;最后,以多通道脑电作为解码模型的输入,构建步态相关脑电信号和表面肌电信号之间的非线性回归模型。实验结果表明：所提方法与传统支持向量机方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数提高了0.12;与单独采用脑电、表面肌电信号和脑肌电信号平均绝对值特征融合信号进行解码方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数分别提高了0.81、0.19和0.63。该方法可实现从脑电信号中对部分表面肌电信号波形的解码,解码波形和实测波形的平均Pears...     

一种高分辨率时频分析方法用于痫样脑电波识别的研究

痫样脑电波的自动识别，对于临床癫痫诊断和长时间的脑电监护具有重要的价值。文章在对一种高分辨率的时频分析方法－离散Ｇａｂｏｒ谱分解研究的基础上，对２０例癫痫患者的临床脑电信号进行了分析研究，从这些脑电信号的时频说待高线图上，得到了易于自动识别棘波和棘慢复合波的特征。     

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。     

基于深度学习的癫痫脑电通道选择与发作检测

传统癫痫发作通道选择方法需要提取特征,然后人工进行特征选择,最后基于所选特征训练分类器实现发作检测.为优化特征提取与选择过程,提出一种具有自学习特性,基于深度学习的癫痫脑电通道选择与发作自动检测组合模型.该方法利用卷积自编码器对癫痫脑电数据进行自适应特征提取,获得代表不同通道的特征子集;依据费舍尔准则筛选出特征子集与脑电通道;通过基于参数迁移的一维卷积神经网络实现癫痫发作脑电信号的检测.使用PhysioNet网站中的CHB-MIT数据库中8例有效数据量较为充足的病患脑电数据对组合模型进行有效性评价.对比该方法与基于方差、方差差异性和随机筛选方法得到的结果,在测试集上对癫痫发作检测的准确率、真阳性率、假阳性率的平均值分别达到了92.79%、93.07%、5.16%,均优于其他方法,且模型收敛速度所需的迭代次数平均仅为其他方法的10%.该方法在癫痫脑电发作检测效果和模型训练成本方面都有一定优势,且在进行脑电通道筛选时不需要手动提取特征,同时也可用于阿尔兹海默症等其他脑部疾病辅助诊断个性化检测模型的建立.     

基于降噪源分离的脑电信号消噪方法

为了解决采集的脑电信号中常含有工频、心电、肌电和眼电等多源干扰问题,提出一种基于降噪源分离的脑电信号消噪方法.首先,该方法经过小波分解重构,消除高斯噪声完成预处理;然后,根据脑电信号的非高斯性,用正切函数进行降噪源分离,将含干扰的脑电信号逐次迭代提取得到分离信号作为消噪结果;最后,引入相关系数检测消噪效果.实验结果表明:经过降噪源分离提取得到的分离信号之间呈现弱相关性,而目标分离信号与源信号具有强相关性,可有效去除脑电信号中的心电和眼电伪迹.     

经验模态分解和Kolmogorov测度的癫痫预测算法

针对头皮脑电信噪比低的缺点,提出了一种新的癫痫发作预测算法.首先对头皮脑电进行经验模态分解,去除伪差,保留包含主要癫痫预测信息的固有模态分量,然后用Kolmogorov测度来反映大脑的非线性动力学特征变化,并发现在癫痫发作之前,仅位于病灶区域附近导联的Kolmog-orov测度明显降低.通过对3例癫痫病人共5段长程头皮脑电信号的分析表明,这3例病人的平均发作预测时间为338 s,敏感性为66.7%,特异性为19.2%,因此该算法具有良好的临床应用前景.     

高阶时频分布在滚动轴承故障诊断中的应用研究

滚动轴承故障信号是非高斯、非线性、非平稳信号,由于调制性,使用幅值谱分析方法无法找到轴承故障频率。将高阶时频分布——主要是Wigner双谱分析方法应用于滚动轴承的故障诊断,计算滚动轴承振动信号的高阶时频分布,并对其沿时间轴切片,分析了切片的幅值谱。针对不同故障轴承,对其振动信号幅值谱、高阶时频分布及其切片谱的对比分析表明,高阶时频及其切片谱性能优于幅值谱。     

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。     

基于DHWPT的脑电基本节律特征提取

脑电中不同类型的基本节律在不同生理条件下特征不同,有效提取这些特征对于实现脑电定量分析具有重要作用。简要分析了谐波小波独特的优势,研究了基于离散谐波小波包方法精确提取脑电基本节律的问题,得到了两种反映节律特征的量化参数:单个导联上各节律在某时刻的频带能量比例(FBER-S)和某一导联脑电信号在某一频段内的能量占所有导联在该频段内能量的百分比(FBER-A)。对临床病例数据分析表明,这两种特征参数呈现的特点与确诊病例的病症特点吻合得很好,说明它们能够作为临床诊断和长时程脑电监护的有效辅助诊断依据。     

基于多分类SVM算法的癫痫发作自动检测方法

高性能的癫痫脑电信号自动检测方法对减轻医生负担并提高癫痫的诊断效率具有重要临床研究意义。论文提出了一种能够区分正常、癫痫发作和发作间期脑电信号的高性能三分类系统。采用Daubechies 4小波构成的4级提升式小波变换将脑电信号分解为不同子带信号,求得不同子带信号的近似熵、Teager能量、局部波动率、自回归系数、Hurst指数特征值;利用Fisher得分法进行特征选择,提高分类精度同时减小计算复杂度;基于二叉树多分类支持矢量机(support vector machine, SVM)对脑电信号分类,实现正常、癫痫发作和发作间期信号的自动检测。实验表明,系统的准确率、灵敏度和特异性均达到100%,优于现有的分类识别方法,提出的三分类系统具有良好的分类性能,为癫痫及癫痫发作的临床检测提供了较好参考价值。     

磁流变减振系统的双谱分析研究

减振系统一般由多个部件组成,磁流变效应又是非线性的,磁流变减振系统存在明显的非线性特征,非线性特性分析对系统的改进设计及措施补偿具有重要意义.双谱分析是一种新的、功能强的信号处理技术,能定量地描述系统非线性耦合度,抑制高斯噪声且保持相位信息.实验中,使用采样数据建立自回归模型(AR模型),运用双谱分析方法研究磁流变减振系统的非线性规律.研究表明,双谱分析磁流变减振的方法是完全可行的,有效的.     

基于双谱和PSO-SVM的滚动轴承故障诊断

针对故障轴承信号的非线性、非高斯性,提出了一种基于双谱和纠错编码支持向量机（error-correcting output codes support vector machine,ECOC-SVM）的滚动轴承故障诊断方法。使用故障轴承振动信号双谱特征构造特征向量,在SVM的训练过程中,使用微粒群算法（particleswarm optimization,PSO）对支持向量机的参数进行优化。实验结果表明该方法能获得较高分类准确率。     

EEG信号数学模型与广义非线性动力学方程

从脑电信号与非线性动力学各种物理量之间的对应关系人手,在Van der Pol方程基础上推导了表达脑电信号的广义非线性动力学方程组系统,讨论了该系统的特性和3种求解方法,指出混沌系统内部存在吸引子突然消失(边界激变)或膨胀(内部激变)现象.     

基于双谱的模糊聚类滚动轴承故障诊断

为了能准确可靠地判别出机械设备中滚动轴承的故障类型,基于双谱能表征随机信号偏离高斯噪声程度的特性,提出一种模糊聚类的滚动轴承故障诊断方法。基于滚动轴承运行过程中监测到的振动信号包含高斯噪声且具有非高斯、非线性特点,该方法在分析高阶谱理论的基础上,对双谱估计特征值进行阈值化处理,构成二值特征图并构造模板,通过测试样本与目标模板之间距离大小来进行不同类别的判断,实现对滚动轴承故障的诊断。经实例验证,该方法有效实现了对滚动轴承故障的分类判别,并提高了判别的可靠性和准确性。     

癫痫EEG信号相空间重构参数的计算和分析

根据癫痫发作过程中,EEG信号表现出来的发作间期和发作期2种不同的状态,通过分析发现在该过程中大脑动力系统存在不同的动力学嵌入空间,存在不同的吸引子。还应用伪邻点法、互信息法和C-C方法进行了推导和仿真,对2种不同状态进行相空间重构,确定了癫痫病人不同状态EEG不同吸引子的参数,并在此基础上提出了若干新的见解。     

基于非负矩阵分解的癫痫脑电自动检测

针对多分类癫痫检测算法因特征维数多而导致识别率不理想的问题, 提出了一种基于分数阶傅里叶变换 (FrFT: Fractional Fourier Transform)和非负矩阵分解(NMF: Non-negative Matrix Factorization)的癫痫脑电自动识 别算法。 首先采用 FrFT 对脑电信号进行时频聚焦, 并利用短时傅里叶变换 (STFT: Short-Time Fourier Transform)提取脑电信号的时频特征; 再应用 NMF 对提取的时频特征进行降维; 最后将降维后的特征输入到支 持向量机(SVM: Support Vector Machine)分类器中进行识别。 实验结果表明, 该方法能识别正常、 癫痫发作间 期和癫痫发作期 3 类脑电信号, 其分类准确率可达 98. 8%。     

基于多变量希尔伯特频域模型的癫痫发作预测

癫痫发作具有突发性和反复性,对患者生命安全构成巨大威胁.为了对癫痫发作进行有效地预测,提出了多变量希尔伯特频域模型的癫痫发作预测方法.将希尔伯特边际谱、希尔伯特边际谱的变化方向和希尔伯特加权频率组成一个三维特征向量作为多变量希尔伯特频域模型,输入到支持相量机中,实现癫痫的发作预测,最后采用癫痫发作预测特征方法对预测结果进行评估.实验结果表明:采用多变量希尔伯特频域模型分析方法预测δ波和θ波的癫痫发作,癫痫预测范围在30~45 min,患者有足够的时间采取措施应对;癫痫发作周期在5~10 min,缩短患者等待时间,降低焦虑程度;与多种相关方法进行比较,该方法具有较低的错误预报率和较高的预测敏感度.