模糊熵和深度学习在精神分裂症中的应用研究

精神分裂症是一种常见的重性精神疾病,多年来严重影响人类的生活质量,因此,对该病的准确诊断是治疗疾病的前提。针对以上问题,提出一种基于大脑复杂性和深度学习的精神分裂症脑电信号（EEG）分类方法,旨在发现隐藏在数据中的分布式特征。与忽略空间信息的标准脑电数据分析技术相反,首先将脑电信号的时间序列进行分频处理,并将每个频段的时间序列用模糊熵（FuzzyEn）进行特征提取,按照电极的空间位置构成特征向量,并将特征向量输入到卷积神经网络（CNN）中训练分类模型,自动识别受试者是否患病。实验结果表明,基于模糊熵和卷积神经网络的分类方法是有效的,分类准确率达到了99.16%。     

基于HOG特征的脑电地形图分类算法研究

脑电地形图（Brain Electrical Activity Mapping,BEAM），是一种先进的研究脑功能和临床诊断的重要手段，既能进行病理诊断又可进行功能诊断，具有较高的敏感性。通过BEAM判断人在不同高低负荷下的疲劳情况并进行有效分类，能最大程度避免高危从业人员的危险发生。目前，大多数脑力负荷分类方法只是简单地利用脑电信号的四种频段特征进行分类，但分类效果并不理想。在此基础上，提出将脑电信号可视化分析，构建脑电地形图，并将方向梯度直方图（Histogram of Oriented Gradient,HOG）特征应用到BEAM分类中。BEAM是根据各频段功率谱密度值用不同颜色表示的球面头皮展成的平面图形，所以针对BEAM的分类研究是基于图像浅层特征的，而HOG正是图像处理中一种简单有效的浅层特征描述符。在BEAM中，HOG能有效地提取各脑功能区的边缘结构特征，并且能提取到地形图表象和形状的方向分布。首先将采集到的脑电信号进行预处理后，选择三频段脑电特征构建BEAM，进行HOG特征提取及分类任务，并与其他算法进行对比。得到的脑电地形图分类结果表明，提取HOG特征的BEAM分类精...     

基于时间序列复杂网络的癫痫脑电分类研究

大脑是一个高度复杂的系统,而且脑电信号噪声背景强,信号微弱,传统的脑电信号特征提取方法不能全面反应脑电信号的特征信息,因此,提出一种与复杂网络理论的相结合,以时间序列为基础构造复杂网络的癫痫脑电分类方法。首先将癫痫脑电信号的时间序列分段处理,每一段作为网络的一个节点,通过Pearson相关计算节点之间的关系来构造网络的连接矩阵,然后通过连接矩阵计算网络特征参数,并对特征参数进行统计分析构造特征向量,最后,使用SVM、逻辑回归和K-NN等分类器进行分类研究。结果显示,该方法对数据集A-E、AB-CDE和ABCD-E的分类准确率分别达到96.67%、94.00%和94.33%。实验结果表明,作为传统时间、频率分析的替代方法,该方法是可用于对脑电信号进行模式识别分类的,能够有效对癫痫脑电信号分类识别。     

支持向量机在脑电信号分类中的应用

首先采用小波变换提取精神分裂症与健康人的脑电信号频率和空间的能量特征，然后用基于统计学习理论的支持向量机(SVM)分类器进行训练和分类测试，并比较了不同核函数和参数对脑电信号分类正确率的影响，最后与RBF神经网络的分类能力进行了实验比较。试验结果表明，利用基于支持向量机和能量特征的方法实现对脑电信号的分类可以取得理想的效果，精神分裂症患者和健康人的16导脑电信号在能量特征上表现出较高的模式可分性。这种分类方法在精神分裂症患者的病理诊断中具有一定的应用价值。     

融合共空间模式与脑网络特征的EEG抑郁识别

提出共空间模式算法和脑网络拓扑属性融合的脑电信号（electroencephalography,EEG）特征,结合深度学习模型时序卷积网络（temporal convolution network,TCN）对抑郁组和对照组进行分类。根据相位锁值构建电极通道间相位同步性功能网络,分析不同频段下两种类别的功能连接模式。采用多特征融合方法将共空间模式特征和脑网络拓扑特征结合起来,最后结合Fisher score特征选择方法和分类器依赖结构,得到低维高效的特征子集并应用TCN进行分类。在抑郁数据集上的实验结果验证了所提策略的有效性。     

基于多层次模板的脑功能网络特征选择及分类

基于单一脑图谱模板的功能连接网络中提取的特征表示不足以揭示患者组和正常对照组（NC）之间的复杂拓扑结构差异，而传统的基于多模板的功能脑网络定义多采用独立模板，缺乏模板间的关联，从而忽略了各模板构建的功能脑网络中潜在的拓扑关联信息。针对上述问题，提出了一种多层次脑图谱模板和一种使用关系诱导稀疏（RIS）特征选择模型的方法。首先定义了具有关联的多层次脑图谱模板，挖掘模板之间潜在关系和表征组间网络结构差异；然后用RIS特征选择模型进行参数优化，进而提取组间差异特征；最后利用支持向量机（SVM）方法构建分类模型，并应用于抑郁症患者的诊断。在山西大学第一医院抑郁症临床诊断数据库上的实验结果显示，基于多层次模板的功能脑网络通过使用具有RIS特征的选择方法取得了91.7%的分类准确率，相比传统多模板方法的准确率提高了3个百分点。     

精神分裂症患者工作记忆EEG功能网络属性分析

精神分裂症与一些认知障碍如信息处理、工作记忆等联系紧密,研究工作是记忆任务中精神分裂症患者与正常人的多通道脑电在各个阶段、各个频段存在哪些显著性差异,可为精神分裂症的诊断提供依据。使用相位锁值（Phase Locking Value,PLV）来量化任意两个电极通道之间的相位同步性,构建脑功能网络的关联矩阵,计算不同稀疏度下脑网络的全局属性以及局部属性曲线下面积,在同一阶段、同一频段下对精神分裂症患者和正常人得到的属性值进行非参数检验,找出差异显著的属性及节点,将对应值作为特征训练SVM分类器,进而将精神分裂症患者和正常人分类。属性分析结果表明,工作记忆任务中[θ]和[α]频段发挥主要作用的脑区集中在右侧额叶区和枕叶区,[γ]频段相关的脑区集中在顶叶区;精神分裂症患者额叶右侧区域与枕叶区电极间[θ、][α]波相关性低于正常人,而其顶叶区电极间[γ]波的相关性高于正常人。     

基于微状态方法的癫痫脑电信号识别研究

目的 癫痫发作时脑神经元异常放电,严重危及人的生命,准确识别癫痫脑电信号对癫痫诊断具有重大意义,对此使用微状态分析法对癫痫脑电信号进行识别研究。方法 各选取11名癫痫患者和健康人,计算癫痫发作、未发作和健康人脑电微状态的传统特征（出现频率、平均持续时间、覆盖率和转移概率）、Hurst指数、动态特征（ACF和AIF）,进行差异性分析并使用SVM进行分类。结果1-40 Hz,癫痫发作和健康人、癫痫发作和未发作、癫痫未发作和健康人的传统特征、Hurst指数、动态特征均有显著差异,三种特征融合的准确率分别为99.9%、96.3%、96.3%,均高于其它频带（delta、theta、alpha、beta和 gamma）的准确率。结论 癫痫脑电微状态特征能被准确识别,1-40 Hz多参数特征融合能有效提高分类准确率。     

多特征融合的脑电情绪分类

为进一步探究不同类型特征互补性对脑电情绪分类的影响,提出一种基于多特征融合的脑电情绪分类新方法。对预处理后的脑电信号进行DE、MST和SampEn特征提取,采用双样本T检验去除冗余筛选出最优特征并融合,采用SVM分类模型来识别不同的情绪状态。在SEED-Ⅳ数据集上的实验结果表明,单一特征中DE的平均分类准确率最高（77.86%）,而融合非线性SampEn特征与功能连接MST属性后平均分类准确率得到进一步提升（84.58%）,不同时间段采集的数据上重测实验则证明了该方法的有效性与稳定性。     

基于独立成分分析功能连接的抑郁症分类研究*

已有的功能连接研究大多根据脑图谱构建全脑功能连接,但目前可选用的脑图谱种类有限且采用不同脑图谱的分析结果可能存在一定的差异。针对上述问题,利用独立成分分析方法研究了抑郁症辅助诊断问题。首先利用组独立成分分析提取独立成分并构建全脑功能连接网络,然后采用BoostFS(Boosting Feature Selection)方法进行特征选择,最后应用多元模式分析方法对20名抑郁症患者和21名健康被试进行分类。实验分类准确率达到95.12%,错分了一名抑郁症患者和一名健康被试。进一步分析表明,具有较强分辨能力的脑网络为感觉运动网络、默认网络和视觉网络,与已有基于脑图谱的研究结果基本一致,从而说明了基于独立成分分析方法的合理性,使其可能成为抑郁症辅助诊断的一种新方法。     

集成胶囊网络的脑电情绪识别

为了充分提取脑电信号多频带的时频信息和保留导联空间分布的位置信息,提出了一种基于集成胶囊网络的情绪识别模型.对预处理过的脑电信号进行小波包特征提取,并将Theta、Alpha、Beta、Gamma四个频带的小波系数能量值填充于根据导联空间分布映射的稀疏矩阵中,拼接构成多频带特征矩阵,通过胶囊网络对特征数据进行训练,对不...     

基于图卷积网络的运动想象识别

运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向.近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息.为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信...     

运动想象脑电信号特征提取与分类算法研究

针对运动想象脑电信号特征提取困难,分类正确率低的问题,提出了利用小波熵进行特征提取并采用支持向量机（SVM）来分类的算法。计算运动想象脑电信号的功率,通过理论分析选择小波包尺度,对信号功率进行小波包分解并计算其小波包熵（WPE）,提取C3、C4导联的小波包熵插值组成特征向量,将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证,算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高,对运动想象脑电信号特征提取及分类的任务可以提供参考方法。     

基于小波系数特征融合的小鼠癫痫脑电分类

采集癫痫小鼠模型在常态与致癫状态下的脑电信号以研究其癫痫脑电的自动分类。对经过噪声和伪迹消除预处理的脑电信号进行小波变换,获得不同频率子带的小波系数,对脑电信号及与癫痫特征波相关的小波系数提取相应的线性特征（标准差）和非线性特征（样本熵）;基于这些特征及其组合使用支持向量机分类器实现分类。实验发现基于小鼠脑电本身的标准差和样本熵的分类正确率分别为59.10%和58.00%;而融合各相关小波系数的标准差或样本熵,分类正确率分别达到86.60%和88.60%;融合全部相关小波系数的线性和非线性特征后分类正确率为99.80%。这些结果说明基于小波系数特征融合的分类算法性能有显著提升,能有效实现小鼠癫痫脑电的自动分类。     

多频段脑功能网络融合的阿尔茨海默病分类

将图论与机器学习方法相结合的阿尔茨海默病计算机辅助中,脑网络的构建大多是基于滤波去噪后的全频段BOLD信号匹配,忽略了不同脑活动信息的差异.因此,本文提出了一种多频段脑功能网络融合模型.首先将离散小波变换应用于BOLD信号中,得到不同频域下的体素信号,而后计算同频信号的相关性,获取不同频段下相关矩阵.而后计算所有矩阵的网络特征,在特征选择后基于SVM对患者进行分类.从实验结果可以看出,分频下的脑功能网络特征与未分频网络相比能在一定程度上提高分类的准确性;体素级网络由于可以更加详细的表达脑网络的变化,其分类效果要优于脑区级.     

共空间模式结合小波包分解的脑电情感分类

为了有效缓解不同受试者跨天试验间脑电信号差异对分类性能的影响，结合共空间模式和小波包分解算法，对12个受试者连续5天的脑电波数据进行空间滤波处理和时频域上小波包能量特征提取。采用Bagging tree、SVM、LDA和BLDA模型进行情感分类实验。实验结果表明，使用SVM和BLDA分类器对该算法提取的脑电特征进行两类情感分类的精度比目前最优的结果分别提高了4.4%和3.5%，有效地提高了跨天脑电情感分类的准确率和稳定性，对于开发鲁棒的情感脑-机接口应用具有一定价值。     

Presenting a new search strategy to select synchronization values for classifying bipolar mood disorders from schizophrenic patients

There is a growing interest to employ synchronization methods to reveal natural connections among the brain lobes by measuring co-activations among EEG channels. Regarding high number of EEG channels, lots of synchronization indexes are determined between two by two channels leading to construct a high dimensional feature vector for each time frame. The objective of this paper is to propose an effective feature selection method to find discriminative synchronization indexes in order to classify patients with schizophrenia from those with bipolar mood disorder (BMD). The state-of-art synchronization methods from various domains such as phase-locking value (PLV), robust synchronization (RS), and synchronization likelihood (SL), were implemented to provide a rich feature set in order to classify the two groups. To increase the classification accuracy, a capable feature selection scheme is proposed entitled greedy overall relevancy (GOR) to select discriminative synchronization indexes. The elicited synchronization vectors of 53 subjects imposed to support vector machine (SVM) classifier and the classification result with and without applying GOR, provided 92.45% and 88.68% accuracy, respectively. Across-group variance (AGV) is chosen as a rival method to GOR; the selected features by AGV entered to the classifier resulting in 91.34% accuracy. Using pair T-test exhibits the significant superiority of GOR to AGV such that P-value determined less than 0.05. To the best of authors' knowledge, this is the first attempt to utilize the selected synchronization indexes as informative features applying to a classifier for diagnosing the psychiatric patients.     

结合非线性全局特征和谱特征的脑电情感识别

针对现有表征情感信息的脑电信号的非线性特征提取不完善的问题,将相空间重构技术引入情感脑电的识别中,提取了在相空间重构下基于轨迹的描述轮廓的三种非线性几何特征作为新的情感脑电特征。结合脑电信号的功率谱熵以及非线性属性特征（近似熵、最大Lyapunov指数、Hurst指数）,提出了基于主成分分析（PCA）的非线性全局特征（非线性几何特征+非线性属性特征）和功率谱熵的融合算法,以支持向量机（SVM）为分类器进行情感识别。结果显示,非线性全局特征能更有效地实现情感识别,二分类情感识别率约90%左右。基于PCA的融合情感特征相比单一特征能达到更佳的情感识别性能,四分类实验中平均识别率可达86.42%。结果表明,非线性全局特征相比非线性属性特征情感识别率有所提高,非线性全局特征以及功率谱熵的结合可以构造出更佳的情感脑电特征参数。     

基于高阶最小生成树的脑网络分析及对阿兹海默氏症患者的分类

利用静息态功能磁共振成像技术来研究大脑的功能连接网络是当前脑疾病研究的重要方法之一。这种方法能准确地检测包括阿兹海默氏症在内的多种脑疾病。然而,传统的网络只是研究两个脑区之间相关程度,而且缺乏对大脑区域之间更深层次的交互信息和功能连接之间关联程度的研究。为了解决这些问题,提出了一种构建高阶最小生成树功能连接网络的方法,该方法不仅保证了功能连接网络的生理学意义,而且研究了网络中更复杂的交互信息,提高了分类的准确率。分类结果显示,基于高阶最小生成树功能连接网络的静息态功能磁共振成像分类方法大幅提高了阿兹海默氏症检测的准确率。