基于多导脑电特征的生理性精神疲劳分析

通过对4种生理性精神疲劳状态下4导脑电信号进行功率谱和小波熵特征分析，研究了脑电信号各节律相对功率以及小波熵与生理性精神疲劳程度之间的关系，并分析了它们在不同生理性精神疲劳状态下的变化规律及其相关性．实验分析结果表明，脑电信号各节律的相对功率以及小波熵平均值与生理性精神疲劳程度之间存在很强的关联性，对于不同的生理性精神疲劳状态，随着生理性精神疲劳程度的增加，其脑电信号的小波熵平均值逐渐降低，θ、α和β节律高频快波相对功率的平均值逐渐降低，而占节律高幅度慢波相对功率平均值逐渐增加．脑电信号各节律的相对功率以及小波熵平均值有望成为衡量生理性精神疲劳程度的指标．     

基于功率谱分析的头皮电位和心率变异性关系研究

通过对数学运算任务中头皮脑电信号和心率变异性的功率谱分析,研究了头皮脑电活动和心脏自主神经活动的关系.实验显示：数学运算过程中心率明显增加（P〈0.01）,心率变异性功率谱总能量减少（P〈0.05）,归一化高频功率明显降低（P〈0.01）,归一化低频功率明显升高（P〈0.01）;数算时脑电信号的α节律相对功率显著降低（P〈0.05）,θ节律谱能量值显著增加（P〈0.05）,相关分析显示F8、FT8、C4、P4和T8导脑电信号的θ节律功率谱能量值与心率变异性谱成分具有显著相关性（P〈0.05）.结果表明,数算任务中大脑有意识的精神活动增多,大脑中枢神经活动减少与心脏自主神经活动有关,脑中央前回、顶区和颞叶通过增加交感神经活动和减少迷走神经的作用来影响心率,它们在调节心脏自主神经活动中起重要作用.     

基于心电信号的身份识别系统研究

介绍了心电信号身份识别系统的设计方案。分析了双电极心电信号检测电路和心电信号小波距离身份判别算法。在Matlab软件平台下编程实现心电信号数字滤波、周期分割、样本建库以及身份识别。通过对34个人的心电样本进行测试,获得了91.2%的识别结果。     

基于SVM的四类运动想象脑电信号分类方法研究

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCI Competition 2005”中的Dataset IIIa为例,先对C3/C4导采集的四类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。     

与结构选择性注意相关的早内源性成分

在模拟自阅读模式下，研究了被试选择性注意结构不同字符时的事件相关脑电位，直接提供取出了与选择注意相关的较早内源性成分，并确定了Ｐ３００是代表大脑紧张后的松懈行为。     

基于斜率突变的 QRS 波检测

在心电信号的分析中,QRS波群快速准确地检测是计算其他相关参数的前提.在正确识别R波的前提下,对心电信号进行频域变换后,以R渡点为基点,通过逐次计算R波左侧或右侧相邻两点的斜率并比较斜率是否发生突变,当相邻两点斜率突然发生变化时,可判断为Q波或S波.采用实时采集数据对以上算法进行验证,实验表明,该算法原理简单,计算量小,能够快速准确地检测心电信号数据中Q,S波的特征值.     

血管性痴呆患者脑电信号的多通道线性描述符特征研究

为提取能有效区分血管性痴呆(VaD)患者与正常老年人的神经电生理特征标识,采用多通道线性描述符对两组受试者在执行oddball视觉探测任务过程中的脑电(EEG)信号进行特征提取研究.通过对任务状态和平静状态下多通道EEG的3个多通道线性描述符分析表明,在执行探测任务过程中,VaD患者的场强变化率Φ和空间复杂度Ω明显高于正常老年人,而在平静状态下却无显著差异,两组受试人群的有效场强均没有显著差异.分别对比不同受试人群在任务状态和平静状态下的3个描述符,结果表明,两组受试者在任务状态下的有效场强Σ比平静状态明显增高,Φ和Ω明显降低,而且VaD患者3个描述符任务状态相对于平静状态的变化率要明显低于正常老年人.因此,多通道线性描述符可以有效地反映人脑认知功能的衰退,为VaD患者的脑电特征提取提供了一种新的方法.     

基于多心理生理参数和核学习算法的脑疲劳估计

脑疲劳是一种极其复杂的现象, 受环境、健康状态、生命力以及恢复能力的影响. 单一参数无法全面描述. 本研究首先运用主观自评方法研究长时间持续低负荷视频显示终端(VDT)任务对心理的影响, 而后通过心率变异性的功率谱指数、由视觉刺激诱发得到的P300成分以及脑电的小波包参数来共同分析长时间VDT活动对自主神经和中枢神经系统的影响. 最后, 提取脑电的小波包参数作为不同脑疲劳状态下大脑活动的特征, 把核主分量分析(KPCA)和支持向量机(SVM)算法结合起来用于区分疲劳前后两个状态. 统计分析表明, 完成任务后主观困倦和疲劳程度显著增加, 长时间VDT任务引起被试的脑疲劳. 完成任务后被试自主神经系统的主要活动从副交感神经活动转变为交感神经活动. P300成分和脑电的小波包参数与脑疲劳有很强的关联性. 而且, KPCA-SVM方法可以有效地减少特征向量的维数, 加速SVM训练的收敛, 取得了较高的脑疲劳的识别率(87%). 多生理心理参数测量和KPCA-SVM方法有望成为衡量脑疲劳的有前途的工具.     

NSFC President Attended the 6th Meeting of Heads of Research Councils in Asia

On November 6, 2008, the 6th Meeting of Heads of Research Councils in Asia was held in Jeju, Korea. NSFC President Prof. Chen Yiyu headed a 4-member delegation to attend the meeting. His counterparts, Mr. Hyung Chul Moon, Acting Chairman and CEO of Korea Science and Engineering Foundation （KOSEF） and Prof. Motoyuki Ono, President of Japan Society for Promotion of Science （JSPS） also headed their delegations at their presence. In the meeting, three organizations presented their own latest sci ence and technology policies and had an active discussion on topics of mutual interests.     

基于径向基网络的表面肌电信号处理

利用AR模型对实验所采集到的原始二通道表面肌电信号（SEMG）加以分析,提取AR系数作为特征值,将其作为训练样本输入到RBF神经网络进行训练,用此网络对前臂的伸臂和曲臂两种运动模式的表面肌电信号进行模式分类。实验表明,基于径向基函数RBF神经网络分类准确率比BP神经网络更高,具有较强的鲁棒性和自适应能力,可以有效识别肌肉的单动作模式。