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。     

一种基于小波包熵的频谱检测算法

为了解决能量检测算法在低信噪比条件下频谱检测性能差的问题,提出了一种基于小波包熵的频谱检测算法.首先采用小波包变换对接收信号进行多层分解,并计算最后一层各节点的重构信号;然后计算各个节点重构信号的小波包熵值;最后选取熵值最小的重构信号作为检测信号进行能量检测.理论分析及仿真结果表明,在低信噪比情况下,该算法可以有效地抑制噪声影响,提高频谱检测性能.     

基于多导联脑电时空信息的情感分类研究

为探究脑电空间关联信息与不同情感状态之间对应关系，基于SEED(SJTU Emotion EEG Dataset)情感脑电数据集，计算实验采集的不同导联脑电的皮尔逊相关系数，通过小波变换获取脑电导联之间的小波相干系数，利用Hilbert变换提取各个导联脑电的瞬时相位，计算脑电相位同步指数。然后分别将皮尔逊相关系数、小波相干系数、相位同步指数作为特征，采用支持向量机分类器实现正性、负性、中性三种情感状态的有效分类。仿真结果表明，脑电的空间关联特征用于情感识别是有效的，可以达到91.5%的情感识别精度；利用脑电微分熵的皮尔逊相关系数获得了93.7%的平均分类准确率；并且脑电γ节律相比α、β节律更有利于情感识别。该研究可以应用于情感脑机接口系统。     

小波包变换及其在低信噪比雷达信号检测中的应用

雷达对目标进行检测之时，常常遇到目标回波信号被噪声污染的问题。为了把弱目标信号从强噪声背景中检测出来，对小波包变换良好的时频分析特性进行了分析，根据信号与噪声具有不同的Lipschitz指数，通过引入子频带∞-范数，对信号和噪声进行频谱分析，将最佳子空间的熵值及最佳子空间在完整二叉树中的位置参数作为特征量，应用浮动阈值去噪方法，解决了低信噪比情况下的雷达信号检测。最后，通过计算机的数值计算，模拟了小波包变换和小波变换在低信噪比雷达信号检测中的具体应用，得出了在低信噪比信号检测方面小波包变换优于小波变换的结论。     

酗酒者认知脑电能量的头皮分布

为了理解酗酒对大脑功能的影响,已有研究多数是对被试者的脑电各节律特性分别进行分析,而缺乏分布特性研究.通过3种不同类型的实验,对酗酒者和正常对照组的脑电节律能量的头皮分布进行深入分析.结果表明,在3种不同认知任务下,酗酒者的α节律、δ节律和θ节律在枕区的能量都显著低于正常对照组;而酗酒者脑电β和γ节律在额区与颞区的能量显著高于正常对照组.不同的实验任务对各节律影响也不尽相同.α节律随着任务的不同,能量大小发生变化;枕区的θ节律、额区和颞区的δ节律能量分布在不同任务条件下也各不相同;而β能量则不受实验任务的影响.不同实验类型下酗酒者额区的脑电γ能量有所不同,而正常人却没有显著变化.因此慢波节律在不同区域能量的降低和快波节律在不同脑区能量的增加可能表明酒精长期作用会对大脑造成一定程度的损伤,进而影响大脑的认知过程,而且这种影响还通过皮层电活动头皮分布特性的不同得以体现.     

基于样本熵的睡眠脑电分期

运用样本熵从波士顿Beth Israel睡眠脑电实验数据中提取睡眠特征值,对睡眠分期进行研究.针对脑电属于微弱非平稳随机信号、难于提取特征的特点,利用小波变换先有效地消除脑电信号中的噪声,再计算其样本熵用以表征睡眠各分期.计算结果表明,由清醒期到非快速眼动的Ⅳ期过程中,其样本熵值呈规律性逐渐变小,与该库中专家评定的结果相符.这说明经过小波消噪和样本熵处理的脑电信号能准确地反映睡眠各期的变化特征,比用近似熵表征睡眠分期更准确、运算速度更快,完全适用于非平稳随机信号的处理.     

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．     

基于集合经验模式分解和公共空间模式的脑电信号特征提取

公共空间模式(common spatial pattern,CSP)能够较好地提取运动想象任务时脑电信号的判别特性,但是其性能与大脑进行想象任务的频带相关。为了确定这样一组频带实现精确的分类,基于集合经验模式分解、FIR滤波器组以及公共空间模式算法提出了一种脑电特征提取方法。预处理去除伪迹后的信号首先经过集合经验模式算法获得多个模函数,然后选择出包含μ节律和β节律范围的分量实现信号重构,重构后的脑电信号作为带通滤波器组的输入得到若干子带信号集合,从每个子带信号中提取CSP特征,最后将提取的特征经过支持向量机(support vector machine,SVM)进行分类。运用该方法对脑-计算机接口(brain-computer interface,BCI)竞赛数据集进行分类,实验表明该方法能够自适应地提取、筛选和判别每个受试者的空间CSP特征,分类准确率达96. 53%。     

小波包变换和极限学习机相融合的脑电信号识别方法

为了提高脑电信的识别效果,提出一种小波包变换和极限学习机相融合的脑电信号识别方法.采用傅里叶变换对采集的脑电数据进行去噪处理,用小波包变换方法提取小波节律能量均值和小波包能量熵作为特征量,并用极限学习机进行分类.仿真实验结果表明,极限学习机分类速度快、泛化性能好,相对于其他脑电信号识别方法,能有效地提高脑电信号识别的正确率.     

基于近似熵快速算法的静息态脑磁信号分析

为了探究静息态精神分裂症患者脑磁信号的非线性动力学特性,提出了一种将小波变换和近似熵相结合的特征提取方法.该方法首先通过小波变换,将10个正常人和10个精神分裂症患者的脑磁信号进行6层小波分解,提取对应于脑磁信号θ波段和α波段的小波系数,继而计算和比较两类人近似熵的分布情况.实验结果表明,相同情况下精神分裂症患者MEG信号的各脑区和各通道间的近似熵都普遍高于正常人,α波段的额叶和中央区域尤为突出.该结果为进一步研究患者MEG信号特征进而建立相应的分类诊断模型提供了思路.     

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%。     

基于小波变换的脑电信号分析

:介绍小波变换的基本概念和Mallat快速小波变换算法 ,并探讨了小波变换在脑电信号分析中的应用这一课题。实验结果表明 ,小波变换是检测脑电信号中的瞬态脉冲以及脑电基本节律的有效工具。     

磨矿过程控制中专家操作人员脑电特征分析

面向选矿生产系统的优化和智能升级,为进一步保证产品的质量和产量,针对磨矿过程中操作人员行为因素的评定和量化问题,提出一种基于脑电信号(EEG)特征的实时分析方法.首先采用小波分解的方法提取大脑不同脑区的δ,θ,α和β波节律.然后通过小波各尺度的能量序列、分布计算不同脑区EEG的小波熵,根据小波熵的熵值比较确定待分析的脑区.根据小波时频分析的结果确定谱特征(α+β)/(δ+θ+α+β),最后采用B样条拟合及滑动窗,进行实时评定.结果表明,提出的量化指标可以在一定程度上反映操作输出的粒度曲线的变化趋势,能够较为客观地评定操作人员的行为因素.     

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%。     

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．     

基于Lipschitz指数熵的轴承故障检测方法

针对利用小波奇异点进行故障检测无法克服噪声影响的不足,提出采用Lipschitz指数熵作为特征进行故障检测.该方法以信号在小波域上分解形成的Lipschitz指数谱向量的熵值作为故障的诊断特征,建立了基于Lipschitz指数熵的故障检测模型,并提出了基于粒子群优化的特征阈值选择方法.将该方法同基于小波能量谱、小波包能量谱熵特征和小波奇异点检测的方法进行比较,实验结果表明采用Lipschitz指数熵作为特征都能有效克服噪声影响,在检测时间及检测率上较另外3种方法有显著提高.     

基于谱熵和多尺度小波的码元速率估计方法

针对实际信号码元速率估计中噪声对估计精度的影响和小波方法最优尺度的选择问题,提出了一种基于谱熵分析和多尺度小波变换的码元速率估计方法。通过谱熵检测有效滤除带内噪声,并采用并行多尺度小波分析和精度函数分析提取最优小波尺度。实验结果表明,该方法的估计性能优于传统小波分析方法,并且在低信噪比情况下具有更好的估计鲁棒性。     

脑-计算机接口系统中诱发脑电信号的小波分析

针对特定思维诱发脑电信号的特点,提出一种确定其分布情况及提取其波形的方法·首先采用离散小波变换对脑电信号进行分解,然后使用小波奇异点检测和小波统计分析相结合的方法进行特征分析,确定特定思维诱发脑电信号处于小波变换的哪个尺度上,并根据分析结果重构出诱发脑电信号·结果表明,这种方法能够有效地消除脑电信号中的常见噪声,尤其适用于对诱发脑电信号的提取·