基于地图投影的三维脑电地形图绘制

直接在三维表面上进行脑电地形图的插值绘制具有较高的算法复杂度,在实际应用特别是商用脑电处理软件方面具有一定的局限性.针对该问题,本文利用地图投影理论将三维头表空间投影到二维空间并完成电位插值,最后再将插值电位反投影到三维头表空间,完成三维头表地形图的绘制.由于该方法是在二维空间完成插值,极大地降低了算法的复杂度,提高了算法的效率,具有明显的工程意义.     

应用脑电阻抗地形图检测脑水肿

脑电阻抗的变化与脑水肿、脑梗塞有极大的关系，当脑部发生水肿或者出血时，脑电阻抗值将会发生变化，但足由于数据的有限，空间分辨率低。该文首次提出了采用地形图直观的以图形的方式来显示脑电阻抗数据，提出了将脑电阻抗地形图应用在脑水肿检测的新方法。分析了脑电阻抗地形图所采用的网络拓扑结构，根据拓扑结构信息，以网络中的：角形单元为基础，详细讨论地形图的绘制处理算法。对脑水肿的病人，进行了数据采集，利用计算机形成阻抗地形图，实现r功能性成像。从对病情变化病例的比较分析和稳定病人数据的重复性已经验证了通过这种办法的可行性。     

脑电图中央监护系统设计

介绍一个脑电图中央监护的流程以及整个系统的软件设计,该系统由中央监护站和脑电监护仪联网组成.脑电监护仪用于记录、显示脑电图和病人状态信息,中央监护站通过多用户USB接口与医院内床边脑电监护仪联网.该系统实现了脑电图的长程监护、多床位集中监护,对于阵发性异常脑电图的"捕获"带来很大的方便,拓展了传统脑电图的应用范围,可大大提高医生的工作效率,有利于临床诊治水平的提高.     

基于Fisher判别法的脑电图数据分析的研究

目的本文通过对客观记录的受试者脑电图数据进行Fisher判别分析,判断其能否应用于脑电数据特征提取和分类决策。为脑电图研究的其它分析做基础分析。方法根据α波的强弱不同将21导电极分为四类,分别对63例正常状态下受试者21导联电极的脑电图数据进行Fisher判别分析,并利用误判率回代估计法检验判别准确率。数据处理和统计分析采用独立设计的脑电图分析工具箱和Fisher判别分析程序。结果表明对63例正常状态下受试者的脑电图数据进行Fisher判别分析,预测各电极分类准确率82.3%。结论Fisher判别法预测准确率较高,脑电特征(主要为α波)提取较为准确,能较好的应用于脑电数据特征提取和分类决策中,从而辅助脑电图的检查和定量分析,为脑电图的检验提供有效的分析手段。     

利用频带能量和k近邻分类器进行皮层脑电图分类

脑-机接口系统是一个不依靠外周神经和肌肉而实现大脑和外部设备之间进行直接的交流和控制的通道。对一个典型的采用皮层脑电图的植入式脑-机接口系统进行了离线分析。首先,采用频带能量特征进行导联的选择,从64导联中获取特征最明显的11导进行分析;然后,采用采用频带能量对11导皮层脑电图进行特征提取,得到22维的特征矢量;最后,采用采用k近邻分类器对两类意识任务(想象左手小手指运动或舌头运动)进行分类。离线分析结果表明,该方法对测试数据取得了很好的分类准确率。     

脑电产生源三维空间分布的仿真研究

对于脑电信号源的分布模型，在基于加权广义逆矩阵的最小范数解的框架下，进行了源分布图象的计算机仿真计算，主要包括两部分内容：通过求解脑电正问题的边界元算法获取导联场矩阵；以脑电生理学上的特性，即源活动的高度协同性、聚集性及稀疏性为先验前提，借鉴LORETA算法中有关拉普拉斯平滑算子，以及FOCUSS算法中有关重加权的竞争机制等，通过分阶段地构造加权矩阵的方法逐步对逆解做出约束，实现具有较高分辨率的脑内各处电活动源的强度与方向的三维图象重建。计算机仿真研究结果证实了此方法的可行性。     

基于正交投影的三维模型相似性比较算法研究*

提出了一种基于二维正交投影图像的三维模型相似性比较算法。首先计算三维模型的二维正交投影图像,然后提取二维正交投影图像的边缘轮廓夹角特征,并比较这些二维正交投影图像的相似性,最后通过二维正交投影图像的轮廓相似性来获取三维模型的相似性。实验验证了该算法的可行性,并且其对于三维模型检索所要求的平移、旋转和缩放不变性具有较好的鲁棒性。     

基于FEKO软件的目标RCS计算及数据分析

雷达工程师通常需要计算和分析目标的雷达散射截面(RCS)数据,通过RCS的一维概率密度函数及二维密度分布图来分析目标的隐身特性。另外,通过雷达对目标的扫描角度旋转及入射平面波频率变化获得的RCS数据,通过二维逆傅里叶变换可获得目标的逆合成孔径雷达成像。FEKO是一款三维电磁场分析软件,给出了基于FEKO软件计算目标的RCS,并利用软件的Lua脚本语言分析目标RCS一维概率密度函数、RCS二维密度分布及逆合成孔径雷达成像技术。     

基于深度学习的癫痫脑电信号分类

有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维时间序列数据转换为二维图像,使用EfficientNetV2模型来实现癫痫检测的二分类。同时,引入梯度加权类激活映射（Gradient-weighted class activation mapping, Grad-CAM）对二维图像分类进行可视化分析。对德国伯恩大学脑电癫痫脑电信号数据集的预处理版本进行分类实验,EfficientNetV2模型的准确率达到了98.69％,优于BiLSTM模型。结果表明,EfficientNetV2模型可以有效通过二维脑电图像实现癫痫脑电分类,而且分类准确率更高。     

基于无阈值递归图和深度残差网络的脑电信号情感识别

提出基于无阈值递归图和深度残差网络相结合的脑电信号情感识别方法。基于非线性动力学理论,将脑电信号转化为无阈值递归图,克服了传统递归图分析中阈值选取的问题,同时脑电信号非线性特征被映射到二维平面。通过深度残差网络实现特征图非线性特征的自动提取,建立情感脑电分类模型,实现了单导联脑电信号情感识别。为进一步提高识别精度,联合四个单导联识别结果,采用“投票法”完成多导联脑电信号情感状态的联合识别。仿真结果表明,对Fp1、Fp2、F3、F4单导联脑电信号情感识别,平均准确率分别为93.82%、93.62%、94.54%、92.92%;多导联平均准确率为94.95%,提高了识别的准确率,具有很大的实用价值。