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.     

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.     

基于小波包分解和近似熵的脑电信号分类

为提高脑电信号分类准确率,提出基于小波包分解和近似熵相结合的特征提取方法。该方法利用小波包对信号的低频和高频进行分解,用近似熵对得到的叶子结点进行计算得到特征值,然后将其输入支持向量机进行分类。实验结果表明,该方法在两种思维结合识别中正确率最高达到了97.37%,取得了较好的分类效果。     

基于统计分布熵的抑郁症脑电信号分析

针对目前抑郁症研究和诊断中量化分析参数和分析方法不足的情况,本文提出和定义一种能对脑电活动的状态分布进行描述、并能用来计算和区分抑郁症患者和正常人脑电活动差异的统计分布熵方法。应用该方法对抑郁症患者和正常对照组的脑电信号统计分布熵进行数值计算,然后分析讨论它们之间的差异,最后对结果进行了统计分析。实验结果表明:抑郁症患者脑电的状态分布熵在部分脑区显著高于正常健康人,表现出较强的差异性。证明该统计分布熵能够表征大脑电活动的分布状态,提供反映其活动是否发生异变的信息,可以作为度量大脑电活动分布状态和分析脑电信号是否异常的一个物理参数。这对其用作诊断其他脑精神疾病的物理指标也具有积极意义。     

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。     

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.     

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%。     

基于熵理论和复杂度的肌电信号分析

传统信号处理方法对肌电信号分析存在一定局限。不能很好地描述肌电信号的复杂性;而基于熵理论和复杂度等非线性分析方法越来越多地应用于肌电信号等生理信号的处理。熵理论和复杂度对于肌电信号的处理具有运算速度快、数值特征明显,并且能够很好地描述其复杂性等特点。本文以做俯卧撑的上肢肌电信号为分析对象,通过计算其Renyi熵、小波熵和复杂度刻画不同阶段肌电信号的复杂性。并验证以此测度进行肌电信号不同区域划分的合理性,以及应用该方法分析肌电信号的有效性,取得了较好的效果。试验数据分析结果表明,小波熵值较大的部分对应于肌电信号能量较高的区域。从生理意义而言,这些区域正是肌肉纤维集中放电的过程。肌电信号成分单一,是复杂度较低的区域,而Renyi熵和复杂度值越大,对应的肌电信号成分复杂度越高,这与理论分析吻合得比较好。同时三者也得到了相互验证。由此表明该方法对于肌电信号的分析是可行的。非线性分析方法可能是未来肌电信号等生理信号的发展方向。该方法还可以应用于体力疲劳评价。     

基于Tsallis熵和近似熵的认知事件相关电位动态复杂度分析

提供了两种分析认知事件相关电位（ERP）复杂度动态变化的估计算法——时变Tsallis熵（ETsEn）和时变近似熵（EApEn），并将其应用于分析Stroop任务中ERP的动态复杂度．实验发现：BTsEn比EApEn能更好地反映不同刺激类型的ERP复杂度差异；EApEn比ETsEn能更准确地体现ERP复杂度随时间变化的规律．额区、中央区和顶区的ERP的ETsEn和EApEn在刺激前、刺激处理过程中、刺激处理后均有显著差异，即在刺激前熵较大且无明显变化，刺激处理过程中熵显著减小，刺激处理完成后熵恢复至刺激前状态，其变化的时序与行为数据基本一致。结果证明了时变的Tsallis熵和近似熵对动态复杂度从不同方面度量的有效性，为客观度量ERP的复杂度提供了新方法．     

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。     

过度使用互联网对脑电信号的影响

当前,青少年上网成瘾已经成为一个严重的社会问题,为此,使用样本熵与功率谱分析方法,对9例过度使用互联网与9例较少使用互联网的受试者的脑电复杂度与功率谱进行了对比研究．发现过度使用互联网者在上网后各电极位置的脑电样本熵值较上网前均明显增大（P〈0．05）,而较少使用互联网者在上网后大部分电极位置处的样本熵值均较上网前有所减小,并且在一些电极位置处明显减小（P〈0．05）;而且,相比于上网前,过度使用互联网者在上网后所有电极位置处较慢的δ波成分均明显减少（P〈0．05）,θ波成分无明显变化,较快的α波、β波和γ波成分大都明显增加（P〈0．05）,而较少使用互联网者在上网前后脑电的各个成分大都没有明显的变化．这说明过度使用互联网会对大脑产生一定的影响．     

基于近似熵的直流牵引电机健康监测方法

针对直流牵引电动机健康状态估计缺乏有效的快速算法问题,提出了一种基于近似熵的直流牵引电动机健康状态实时分析方法.并对传统的近似熵计算方法用矩阵运算进行算法优化,提升了运算速度.针对直流电动机的电磁特性,融合待检测电动机的电流、电压、转速信号信息计算出电动机系统近似熵值,并依此判断电动机健康状态.最后,用直流电动机实验平台的数据验证了该方法的有效性.     

基于二维近似熵度量轴心轨迹复杂性的研究

提出了二维近似熵的概念,并用于表征轴心轨迹的复杂性,定量地评价了回转机械的运行状态．该方法具有计算所需数据短、抗噪及抗野点能力强、对确定性信号和随机信号都适用等特点．应用二维近似熵,对某机组关键轴瓦的轴心轨迹进行了复杂性度量,研究结果表明,二维近似熵在表征轴心轨迹的时间模式复杂性方面具有很强的能力,从而为机械设备状态监测与故障诊断提供了一种行之有效的新方法．     

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.