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．     

老年性痴呆症患者的EEG近似熵特征初探

老年性痴呆症是一种后天获得性中枢神经系统退行性疾病，严重地危害着人们的身体健康和生活质量，为了探索老年性痴呆症脑电图中隐含的信息，对老年性痴呆症患者和健康对照者的脑电图（EEG）近似熵进行分析，并绘制其脑电脑电信息图，对照健康人，发现患者EEG近似熵普遍下降，尤以右额叶，颞叶区显著，提示EEG近似熵与大脑功能状况有一定联系，在一定程度上可以反映大脑功能状态。     

不同脑负荷脑电特征的近似熵表征研究

目的研究不同生理状态下的脑电特征(EEG)。方法利用一种度量时间序列复杂性的非线性统计方法——近似熵(ApEn)方法。结果近似熵能够有效地反映脑电信号的变化情况。结论近似熵是一种值得重视且很有发展前景的复杂性分析方法。     

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。     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

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.     

基于预期盈余增长的质量测度与定价能力

从质量溢价驱动因素视角构建基于预期盈余增长（expected earnings growth,EEG）的质量测度指标,分析该指标与股票预期收益的关系,进一步构造EEG质量因子并将其纳入Fama-French三因子模型,研究该因子的定价能力.研究发现：EEG质量测度指标可以衡量公司的预期盈余增长;EEG质量测度指标与股票预期收益显著正相关,表明EEG质量溢价显著存在;EEG质量因子对股票横截面组合收益的解释能力较强;引入EEG质量因子的四因子模型比Fama-French类模型具有更高的定价效率.研究结论可以丰富资产定价相关理论,为投资者理性决策、监管者培育良好投资理念和提升市场定价效率提供参考.     

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.     

基于脑电反馈的难治性癫痫病人的近似熵分析

为解决目前对脑电生物反馈疗效的评价多局限于患者症状改善的问题,该文从神经电生理角度出发,将近似熵引入癫痫的反馈治疗效果评价中。以6个难治性癫痫患者为研究对象,强化患者12~15 Hz的感觉运动节律波,抑制4~8Hz的θ波。一定疗程后,6病例的癫痫症状均有明显改善,16导联脑电(electroencephalogram,EEG)近似熵也有不同程度的增加,尤其以训练点C4附近同侧导联脑电信号的近似熵增加更加显著,说明脑电反馈治疗有助于皮层神经元群体电生理活动向更加混沌的状态转化,从而改善癫痫病态症状。实验结果表明,近似熵能够表征大脑生理状态的改变,可用于脑电生物反馈疗效的评价。     

思维脑电信号的近似熵分析

计算了5种不同思维作业时脑电信号的近似熵.计算结果表明,当进行不同思维作业时脑电数据的近似熵存在着较大的差异.这提示可以利用近似熵作为思维脑电信号的特征实现对思维作业的分类.对于不同的受试者,即使是同一种思维作业、同一个电极上脑电数据的近似熵也存在着较大的差异.这提示在利用近似熵作为思维脑电信号的特征对心理作业进行分类时应当充分考虑不同受试者的个体差异.     

睡眠脑电的非线性动力学方法

在8例健康成年人的睡眠脑电监测实验基础上,利用已有的专家人工分期结果,提取睡眠各阶段特征数据,应用近似熵、复杂度和功率谱熵三种方法进行分析,从客观量化的复杂性度量来刻划睡眠深度的变化情况,对每个睡眠分期选取5000点数据,数据窗取1000点,逐次延时一个采样间隔得到几个时间序列,分别求复杂度,最后取均值即得此分期复杂性测度值,结果表明三种方法均与专家人工分期结果相吻合,近似熵算法复杂不适合在线分析;复杂度算法较简单,但数据粗粒化处理容易丢失信息;功率谱熵算法简单、快速及有效,因而用统计分析方法分析,表明功率谱熵能较好地反映睡眠深度的变化情况。     

信息熵是有序性的量度——兼评哈肯《信息与自组织》一书

热力学熵不是处理自组织的工具.哈肯企图用信息熵作为自组织的判据.而写了“信息与自组织”一书,但该书写的并不成功,正如该书所说:“当我们维持整个系统的能量为常数时,信息熵也保持常数”,而所讲的自组织正是在系统的能量一定时而突然出现的.该书所以不成功,是因哈肯对信息熵没有明确的定义,他所讲的信息熵仍然是热力学熵.我们对信息熵作明确的说明,指出它是将热力学熵中微观态的几率,发展成为任何态(包括各种宏观态)的几率,从而为我们所关心的宏观上的有序性作出判断.     

基于脑电节律的小波熵分析方法

 针对现有小波熵方法的影响因素分析不明确,影响认知特性的分析结果和可比性,本文确定了分解层数和P_n（第n个子空间信号能量与信号总能量之比）的选择和计算原则,在此基础上结合脑电节律特性,提出了一种基于节律特征的脑电小波熵分析方法,以构成节律信号的所有子空间为单元,统计所有子空间的能量和作为该节律的能量,经过计算得到脑电节律小波熵。基于该方法提取的脑电小波熵值描述了脑电节律信号的分布情况,同时结合小波熵值与脑电节律的联系,分析了小波熵值变化的原因,可追溯到脑电节律信号的变化规律,进而分析相应的认知特性,初步建立了脑电信号-脑电节律-脑电节律小波熵-认知特性的联系。     

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%。     

动态黑洞的熵

黑洞熵来源于视界附近量子场的贡献,按照这一想法,在局部热平衡的条件下,计算了Ｖａｉｄｙａ黑洞的熵。结果比通常的稳态黑洞的熵稍小。     

de Sitter时空背景下的熵

从ｄｅＳｉｔｔｅｒ时空背景下的Ｋｌｅｉｎ－Ｇｏｒｄｏｎ方程出发，利用Ｂｒｉｃｋ－ｗａｌｌ方法计算了宇宙的自由能和熵。结果表明，宇宙的熵与Ｓｃｈｗａｒｚｓｃｈｉｌｄ黑洞一样，也为视界面积的１／４。可见，ｂｒｉｃｋ－ｗａｌｌ方法具有更广泛的适用于，不但可以计算黑洞的熵，而且可以计算宇宙的熵。     

基于脑电图的新型情绪识别特征提取方法

基于脑电图(EEG)信号对情感识别计算进行研究.针对脑电图的特征提取难和模型计算难的问题, 提出了一种从EEG信号中获得可靠区别特征的创新方法.该方法将微分熵与线性判别分析(LDA)相结合,可被应用于情绪EEG信号的特征提取.采用3类情绪EEG数据集进行实验,结果表明该方法能够有效提高EEG分类的性能:与原始数据集的结果相比,平均准确度提高了68%,比单独使用微分熵进行特征提取时的准确度高7%.总执行时间结果证明提出的方法具有较低的时间复杂度.研究结果在3类情感脑电图识别领域具有重要的实用价值,可被应用于实际的工程领域.