基于通道注意力和稀疏时频分解的运动想象分类EI北大核心CSCD

运动想象脑电信号是低信噪比的非平稳时间序列,单通道脑电分析方法难以有效刻画多通道信号之间的交互特征。本文提出了一种基于多通道注意力的深度学习网络模型,该模型对预处理后的数据进行稀疏时频分解,增强了脑电信号时频特征的差异性。然后利用注意力模块在时间和空间对数据进行注意力映射,让模型可以充分利用脑电信号不同通道的数据特征。最后利用改进的时间卷积网络进行特征融合并进行分类识别。利用BCI competition Ⅳ-2a数据集对所提算法进行验证,结果表明所提算法可有效提升运动想象脑电信号的分类正确率,9名受试者的平均识别率为83.03%,与现有方法相比,提高了脑电信号的分类精度。所提方法增强了不同运动想象脑电数据之间的差异特征,对提升分类器性能的研究具有重要意义。     

脑疲劳状态的脑功能网络特征分类研究

本文旨在探索大脑疲劳的客观指标,提高脑疲劳状态检测的正确率。通过持续认知任务实验诱发脑疲劳,在脑电数据的基础上,构建了正常态和疲劳态的脑功能网络,利用复杂网络理论计算并分析了正常态和疲劳态的脑功能网络节点特征参数(度、中间中心度、聚类系数和节点平均路径长度),并将其作为支持向量机的分类特征,采用网格搜索法对6重交叉验证下的支持向量机进行参数寻优,实现对所有被试的分类研究。结果表明,将脑功能网络的节点特征参数作为分类算法的分类特征,能够很好地区分正常态与脑疲劳态,可以将该方法用于脑疲劳状态的客观评定中。     

不同思维作业电信号的高准确度模式分类

本文采用独立分量(ICA)分析对不同思维作业的脑电(EEG)信号进行预处理,再用自回归(AR)参数模型提取EEG信号特征,最后利用BP网络完成对特征样本集的训练和分类.实验结果表明,所采用的方法提高了脑电思维模式作业的准确度,对两种到五种不同思维作业未经训练的数据的平均分类准确度达到79%以上,超过现有文献报道的结果.     

MRI拉莫尔频率范围内人体脑胶质瘤组织的介电特性

目的:研究人体脑胶质瘤组织在MRI拉莫尔频率范围内（50~500 MHz）的介电特性,建立人体脑胶质瘤组织介电参数频率谱图,为磁共振断层成像技术提供理论依据和数据参考。方法:以神经外科手术中切下的脑胶质瘤组织为标本,在温度为37 °C的恒温水箱中,利用开端同轴线法,在50~500 MHz频率范围内使用AV 3656A网络分析仪测量脑胶质瘤组织标本的介电特性。以四阶Cole-Cole模型为基础,利用最小二乘曲线拟合方法,提取人体脑胶质瘤组织的介电特征参数。同时,将实验测得的脑胶质瘤组织介电特性与健康人体组织介电特性数据库中的正常脑组织进行比较。结果:在测频率范围内,人体脑胶质瘤组织实测数据与Cole-Cole模型吻合良好,且有人体脑胶质瘤组织的相对介电常数比正常脑组织高29.5%~36.6%,电导率比正常脑组织高56.1%~64.8%。结论:本文报道了37 °C下人体脑胶质瘤组织在MRI拉莫尔频率范围内（50~500 MHz）的介电特性数据及相应的Cole-Cole模型介电特征参数,可为人体脑胶质瘤组织介电特性研究和磁共振断层成像技术提供基础数据。     

快速提取脑电信号的谱分量参数

本文利用现代谱分析技术,提出一种新的快速算法来提取脑电信号的谱分量参数。并围绕现代谱估计在脑电信号分析中可能会遇到的一些问题,在理论分析和大量实验的基础上,分别提出新的见解和解决方法。新算法较常规算法要快十几倍,而且能充分保证现代谱分析技术性能的高效性,可以在短数据场合下对脑电信号进行谱分析和特征参数提取,从而有利于把脑电信号分析,向定量化、精确化方向推进一步。     

基于参数模型和独立分量分析的事件相关诱发电位单次提取

我们针对脑电事件相关电位（ERP）这种信噪比极低的信号检测问题，提出了两种ERP信号单次提取方法，能非常有效地同时去除自发脑电、眼动伪迹和工频噪声三种常见噪声。（1）首次对自发脑电、眼动伪迹和工频噪声这三种常见成分连同事件相关电位同时进行ARX建模，利用基于最小二乘（Ls）的ARX算法进行参数辨识获得提取结果；（2）利用独立分量分析，采用FastICA算法进行事件相关电位的提取。明确指出ICA分解的一些重要分解特性及其内在机理，针对实际情况对FastICA算法进行了改进，实现了分解结果对ERP成分的自适应映射。数值仿真实验结果表明两种方法均有较高的信号分解提取能力。     

MAUNet:用于皮肤病变分割的轻量级模型

针对当前深度学习分割算法参数数量多和计算复杂度高的问题,提出了一种融合多种注意力机制的轻量级模型MAUNet用于皮肤病变分割。该模型在UNet网络基础上融合深度可分离卷积和门控注意力机制模块,用于提取全局和局部特征信息;融入外部注意力机制模块来增强样本间的联系;利用空间和通道注意力模块分别提取通道和空间特征。以ISIC2017皮肤病公开数据集作为数据源,改进的UNet模型实现特征提取与分类。与基线模型UNet相比,平均交并比和Dice相似性系数分别提高了2.18%和1.28%,同时参数量和计算复杂度仅为基线模型的2.1%和0.58%。实验结果表明该模型在参数数量平衡性、计算复杂度和分割检测性能上均达到了较好的水平。     

基于融合规则的注意相关脑电分类算法研究

提出一种新的基于支持向量机(supervectormachine,SVM)学习机制和数据融合理论的脑电分类算法,并设计了注意分级实验进行验证。首先,对脑电信号进行3级小波分解,由主分量分析(principlecomponentanalysis,PCA)方法提取其中的主特征分量;然后由支持向量机对特征分量进行分类;最后依据数据融合理论,对多导分类结果进行综合判断。结果表明,该方法具有良好的鲁棒性,对多导注意相关EEG的分类准确率可达89%左右,并高于单导最优准确率,对注意力缺陷反馈治疗、注意力机制研究等有较高的实用价值。     

基于特征向量法和支持向量机的抑郁症脑电信号分类

目的:从抑郁症患者EEG信号中提取与疾病相关的信息以实现对抑郁症患者与健康人的自动分类.方法:用特征向量法对抑郁症患者与健康人脑电进行特征提取,得到脑电信号功率谱幅度的最大值、最小值、平均值和标准偏差等特征参数,然后用支持向量机分类器进行训练和分类,并进行测试验证.结果:相对于用小波变换提取的频率相关参数作为分类特征,采用本文特征向量法功率谱估计提取的特征参数为分类特征的分类器具有更好的分类效果,其抑郁症患者和健康人脑电信号的分类准确率可以达到95.6%.结论:该研究成果为抑郁症疾病的物理诊断提供了一种新的途径.     

基于自适应动态特征库的P300诱发脑电单次提取算法研究

目的 诱发电位的单次提取技术一直是脑电信息处理领域的难题之一,为进一步提高单次提取算法的时间准确性和特征精度,针对体感诱发脑电数据信噪比低、试次间参数变化大的特点,研究诱发脑电参数单次提取新算法,保留试次间诱发脑电的动态特性,并提高估计准确率.方法 基于小波滤波和多元线性分析技术,加入自适应动态特征库并由此提出的诱发脑电P300参数单次提取新方法.随机选取4组小波滤波(WF)后诱发脑电数据,分别叠加平均后进行主成分分析(PCA)组成特征库.单次提取时,针对每试次数据从特征库中选择与当次诱发脑电信号相关系数最高的成分作为自变量开展多元线性回归分析,由回归分析结构重构出单次诱发电位信号并自动提取潜伏期和幅值等关键特征.结果 与专家判定的基准数值相比,新算法预测的P300成分潜伏期与幅值参数更准确,两者的平均差值分别为(11.16±8.60) ms和(1.40±1.34)μV;与常用的叠加平均法结果亦更为接近,平均差值分别为(23.26±25.76) ms和(2.52±2.50) μV,新算法相比传统多元线性回归分析算法具有显著优势.结论 将动态更新的诱发脑电数据主成分样本库应用于小波滤波与多元线性回归方法,能有效保留单次诱发脑电数据中的动态特征,从而提升参数估计的准确率.     

基于GMDH型神经网络的EEG分类研究

为了提高对不同认知状态下脑电信号(EEG)的分类正确率，提出一种GMDH型神经网络及改进的训练算法。此网络结构在演化中生成，分类规则由简单多项式表示，训练算法可防止出现过拟合。此网络用于区分算术运算和休息状态下的脑电信号，正确率达到84．5％，与标准前向型神经网络(FNN)比较，显示了较好的分类效果。     

Automatic recognition of alertness and drowsiness from EEG by an artificial neural network

We present a novel method for classifying alert vs drowsy states from 1 s long sequences of full spectrum EEG recordings in an arbitrary subject. This novel method uses time series of interhemispheric and intrahemispheric cross spectral densities of full spectrum EEG as the input to an artificial neural network (ANN) with two discrete outputs: drowsy and alert. The experimental data were collected from 17 subjects. Two experts in EEG interpretation visually inspected the data and provided the necessary expertise for the training of an ANN. We selected the following three ANNs as potential candidates: (1) the linear network with Widrow-Hoff (WH) algorithm; (2) the non-linear ANN with the Levenberg-Marquardt (LM) rule; and (3) the Learning Vector Quantization (LVQ) neural network. We showed that the LVQ neural network gives the best classification compared with the linear network that uses WH algorithm (the worst), and the non-linear network trained with the LM rule. Classification properties of LVQ were validated using the data recorded in 12 healthy volunteer subjects, yet whose EEG recordings have not been used for the training of the ANN. The statistics were used as a measure of potential applicability of the LVQ: the t-distribution showed that matching between the human assessment and the network output was 94.37+/-1.95%. This result suggests that the automatic recognition algorithm is applicable for distinguishing between alert and drowsy state in recordings that have not been used for the training.     

径向基函数神经网络在脑电信号建模中的应用

详细介绍了径向基函数神经网络在脑电信号建模中的应用 ,描述了径向基函数神经网络的结构与算法 ,通过与反向传播算法神经网络在脑电建模中的应用进行对比 ,并经计算机仿真发现径向基函数神经网络较适用在脑电信号这类非线性系统建模     

AN IMPROVED BP NETWORK AND ITS APPLICATION

ＡＮＩＭＰＲＯＶＥＤＢＰＮＥＴＷＯＲＫＡＮＤＩＴＳＡＰＰＬＩＣＡＴＩＯＮＣｈｅｎｇｌｉｎＰｅｎｇ，ＤｉＸｉａｏ，ＥｒｘｉｎＺｈｅｎｇ（Ｄｅｐｔ．ｏｆＥｌｅｃｔｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｃｈｏｎｇｑｉｎｇ，...     

基于B P神经网络的脑肿瘤MRI图像分割

利用BP神经网络技术对MR脑肿瘤图像中的肿瘤区域与正常组织区域进行分割,以辅助医疗诊断与治疗。首先,人工分割出部分影像中的肿瘤组织与正常组织作为已知样本;其次,在BP神经网络模型中输入已知样本中进行训练;最后,用训练好的BP神经网络处理其他脑肿瘤图像。BP神经网络能够有效分割MR脑肿瘤图像,辨别出肿瘤与周围正常组织的差异,但模糊区域也常被误判为肿瘤。因此,本研究提出进一步对模糊区域样本进行针对性训练与特殊的滤波处理,所得结果有较大改进。BP神经网络能有效地进行脑肿瘤MRI图像分割,但在使用时仍需正确选择输入样本的区域和范围并结合特殊的滤波处理。     

演化级联神经网络对脑电信号分类的研究

为了对不同思维状态下的脑电信号进行正确分类，克服神经网络分类器受噪声和冗余特征的影响出现的过拟合，提出了一种新的演化级联神经网络的学习算法。算法通过计算神经元对确认集的适应函数值，以逐步更新神经元对训练集的连接权重。适应函数值取决于被训练神经元的泛化能力，它随着神经元分类准确度的增加而降低。此网络由一个输入节点开始学习，随着演化增加新的输入神经元及新的隐神经元，最终经训练的网络含有最小数目的神经元及连接。此方法应用于区分两种思维状态下的脑电信号，经训练的网络对测试段的分类正确率为83．1％，与标准的BP网络进行比较，演化级联神经网络显示了较好的分类能力。     

利用小波神经网络求解脑电等效偶极子源参数

提出了多维单尺度径向基小波神经网络的构造性算法 ,并将之应用到脑电等效偶极子源定位问题 ,从而避开对模型系统描述的困难和现有的迭代类求解方法计算时间较长的问题。通过对解空间的随机抽样由正向计算形成学习样本 ,使小波神经网络在训练过程中建立起自己的逆映射联想记忆 ,以正确推断出头皮观测电位与脑内源发生器之间的内在联系 ,使之对于新的脑电数据能实时地、准确地估算出等效偶极子源的参数 ,为脑电的动态分析提供一条途径。计算机仿真计算结果证明了此方法的有效性     

A medical diagnostic tool based on radial basis function classifiers and evolutionary simulated annealing

ObjectiveThe profusion of data accumulating in the form of medical records could be of great help for developing medical decision support systems. The objective of this paper is to present a methodology for designing data-driven medical diagnostic tools, based on neural network classifiers.MethodsThe proposed approach adopts the radial basis function (RBF) neural network architecture and the non-symmetric fuzzy means (NSFM) training algorithm, which presents certain advantages including better approximation capabilities and shorter computational times. The novelty in this work consists of adapting the NSFM algorithm to train RBF classifiers, and suitably tailoring the evolutionary simulated annealing (ESA) technique to optimize the produced RBF models. The integration of ESA is critical as it helps the optimization procedure to escape from local minima, which could arise from the application of the traditional simulated annealing algorithm, and thus discover improved solutions. The resulting method is evaluated in nine different medical benchmark datasets, where the common objective is to train a suitable classifier. The evaluation includes a comparison with two different schemes for training classifiers, including a standard RBF training technique and support vector machines (SVMs). Accuracy% and the Matthews Correlation Coefficient (MCC) are used for comparing the performance of the three classifiers.ResultsResults show that the use of ESA helps to greatly improve the performance of the NSFM algorithm and provide satisfactory classification accuracy. In almost all benchmark datasets, the best solution found by the ESA-NSFM algorithm outperforms the results produced by the SFM algorithm and SVMs, considering either the accuracy% or the MCC criterion. Furthermore, in the majority of datasets, the average solution of the ESA-NSFM population is statistically significantly higher in terms of accuracy% and MCC at the 95% confidence level, compared to the global optimum solution that its rivals could achieve. As far as computational times are concerned, the proposed approach was found to be faster compared to SVMs.ConclusionsThe results of this study suggest that the ESA-NSFM algorithm can form the basis of a generic method for knowledge extraction from data originating from different kinds of medical records. Testing the proposed approach on a number of benchmark datasets, indicates that it provides increased diagnostic accuracy in comparison with two different classifier training methods.     

计算机处理睡眠数据中2导脑电和1导眼电的非周期波形分析

背景：睡眠中记录的数据量很大,不用计算机自动处理不能满足实用需要,而现有的对睡眠数据进行分期的方法准确率都不高。 目的：考察仅依据脑电与眼电,基于非周期波形分析和径向基函数遗传神经网络的睡眠数据分期新方法。 方法：实验数据来自MIT的PhysioBank中的S1eep-EDF数据库,共8名被试,各记录2导脑电和1导眼电。原始数据经零相位数字滤波后,进行非周期波形分析,得出每个Epoch的特征向量,经预处理后送遗传径向基函数。神经网络配合专家手工分类结果进行训练,训练好的神经网络再对测试数据进行分析。 结果与结论：总的分期符合率为95.6%,超出已知文献研究结果(70%~90%),具有很高的实用价值,能满足睡眠研究与临床使用。     

用于控制短消息发送的实时脑机接口系统

目的：设计一种基于视觉诱发电位的实时脑机接口,用于控制短消息发送。方法：实时脑机接口系统由视觉刺激器、脑电采集电路、FPGA开发板、通讯模块组成。脑机接口界面包括短消息发送的目标选项和内容选项界面,受试者每次实验注视刺激界面中的一个模块,通过检测视觉诱发脑电来确定受试者做出的选择。利用基于FPGA的VGA视觉刺激器为受试者提供视觉刺激,采集脑电信号并在FPGA平台上对其进行在线的实时分析处理。选用小波分解提取视觉诱发电位特征向量,输入BP神经网络进行模式识别,产生脑机接口控制信号,其中,小波分解和BP神经网络两部分由NIOS II实现。脑机接口控制命令用于控制TC35无线模块发送短消息。结果：通过对五名受试者做实验,识别准确率最高可以达到100%,脑机接口系统能有效控制短消息的发送。采用小波滤波、BP神经网络识别的算法优于时域波形匹配识别法。结论：实验表明本文提出的实现脑机接口短消息发送系统的方法具有可行性。