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%。     

基于混合神经网络的脑电时空特征情感分类

提出一种脑电图（electroencephalograph,简称EEG）数据表示方法,将一维链式EEG向量序列转换成二维网状矩阵序列,使矩阵结构与EEG电极位置的脑区分布相对应,以此来更好地表示物理上多个相邻电极EEG信号之间的空间相关性.再应用滑动窗将二维矩阵序列分成一个个等长的时间片段,作为新的融合了EEG时空相关性的数据表示.还提出了级联卷积-循环神经网络（CASC_CNN_LSTM）与级联卷积-卷积神经网络（CASC_CNN_CNN）这两种混合深度学习模型,二者都通过CNN卷积神经网络从转换的二维网状EEG数据表示中捕获物理上相邻脑电信号之间的空间相关性,而前者通过LSTM循环神经网络学习EEG数据流在时序上的依赖关系,后者则通过CNN卷积神经网络挖掘局部时间与空间更深层的相关判别性特征,从而精确识别脑电信号中包含的情感类别.在大规模脑电数据集DEAP上进行被试内效价维度上两类情感分类实验,结果显示,所提出的CASC_CNN_LSTM和CASC_CNN_CNN网络在二维网状EEG时空特征上的平均分类准确率分别达到93.15%和92.37%,均高于基准模型和现有最新方法的性能,表明该模型有效提高了EEG情感识别的准确率和鲁棒性,可以有效地应用到基于EEG的情感分类与识别相关应用中.     

基于脑电时频空多域特征融合的情感识别研究

传统基于脑电信号（electroencephalogram,EEG）的情感识别主要采用单一的脑电特征提取方法,为了充分利用EEG中蕴含的丰富信息,提出一种多域特征融合的脑电情感识别新方法。提取了EEG的时域、频域和空域特征,将三域特征进行融合作为情感识别模型的输入。首先计算不同时间窗EEG信号的alpha、beta、gamma三个频段功率谱密度,并结合脑电电极空间信息构成EEG图片,然后利用卷积神经网络（convolutional neural network,CNN）与双向长短期记忆网络（bidirectional long short-term memory network,BLSTM）构建CNN-BLSTM情感识别模型,分别对时、频、空三域特征进行学习。在SEED数据集对该方法进行验证,结果表明该方法能有效提高情感识别精度,平均识别准确率达96.25%。     

基于连续卷积神经网络的3D脑电图情绪识别

作为人类大脑神经活动的重要指标，脑电（EEG）信号能更深层次地反映人的情绪状况，但当前大多数深度学习模型通过EEG识别情绪不够精确。本文提出基于连续卷积神经网络的3D脑电图情绪识别模型，采用提取DE和PSD特征时得到的等价矩阵所构造的三维脑电图立方体作为输入，舍弃卷积神经网络中的池化层。在DEAP数据集上进行实验，Arousal准确率为95.77%,Valence准确率为93.52%，表明该方法非常适用于情绪识别，能给后续相关研究提供参考。     

基于深度卷积神经网络的脑电信号情感识别

为了点对点自动学习脑电信号（Electroencephalogram,EEG）空间与时间维度上的情感相关特征,提高脑电信号情感识别的准确率,基于DEAP数据集中EEG信号的时域、频域特征及其组合特征,提出一种基于卷积神经网络（Convolution Neural Network,CNN）模型的EEG情感特征学习与分类算法。采用包括集成决策树、支持向量机、线性判别分析和贝叶斯线性判别分析算法在内的浅层机器学习模型与CNN深度学习模型对DEAP数据集进行效价和唤醒度两个维度上的情感分类实验。实验结果表明,在效价和唤醒度两个维度上,深度CNN模型在时域和频域组合特征上均取得了目前最好的两类识别性能,在效价维度上比最佳的传统分类器集成决策树模型提高了3.58%,在唤醒度上比集成决策树模型的最好性能提高了3.29%。     

面向运动想象脑电图识别的镜卷积神经网络

目的 脑电图（electroencephalogram,EEG）是一种灵活、无创、非侵入式的大脑监测方法,广泛应用于运动想象脑机接口系统中,运动想象脑电图识别精度是决定系统性能的关键因素。然而由于脑电图采集时间长、个体差异大等原因,导致单个受试者可用于模型训练的样本数量少,严重影响了卷积神经网络在脑电图识别任务中的表现。为此,本文提出一种镜卷积神经网络（mirror convolutional neural network,MCNN）模型,使用集成学习与数据扩增方法提高运动想象脑电图识别精度。方法 在训练阶段,基于源脑电通过互换左右侧脑电通道构造镜像脑电,并与源脑电一起用于源卷积网络训练,有效扩增了训练样本;在预测阶段,复制已训练源卷积网络作为镜像卷积网络,将测试集中的源脑电输入源卷积网络,构造的镜像脑电输入镜像卷积网络,集成源卷积网络与镜像卷积网络输出的类别预测概率,形成最终类别预测。结果 为了验证模型的有效性和通用性,基于3种不同运动想象脑电图识别卷积网络模型分别构造镜卷积网络,并在第4届脑机接口大赛2a与2b数据集上进行实验验证。实验结果与原始模型相比,运动想象四分类和二分类准确率分别平均提高了4.83%和4.61%,显著提高了识别精度。结论 本文面向运动想象脑电图识别,提出了镜卷积神经网络模型,通过集成学习与数据扩增方法提高运动想象识别精度,有效改善了运动想象脑机接口性能。     

4D卷积神经网络的自闭症功能磁共振图像分类

静息态功能磁共振图像是随着时间变化的一系列三维图像。已有的3D卷积过程本质上是对三维图像数据或二维图像+时间维数据进行处理,无法有效地融合静息态功能磁共振图像的时间轴信息。为此,本文提出了新型的4D卷积神经网络识别模型。具体而言,通过对输入的fMRI使用四维卷积核执行四维卷积,在自闭症患者的功能磁共振图像中,从空间和时间上提取特征,从而捕获图像在时间序列上的变化信息。所开发的模型从输入图像中生成多个信息通道,最终的特征表示结合了所有通道的信息。实验结果表明,在保证模型泛化性能的前提下,该方法融合了功能像的全局信息,并且采集了功能像随时间变化的趋势信息,进而解决了用卷积神经网络处理三维图像随时间变化的分类问题。     

基于基因基础的静息态功能脑网络及分类研究

为了判断基因是否对抑郁症患者的功能脑网络存在影响,以及是否与抑郁症疾病状态之间存在相互效应,本实验选择了GSK-3β基因,利用功能脑网络的特性对其进行统计分析,再根据统计检验方法,构建分类模型.结果表明,SVM和神经网络在特征数目为25-30左右,分类模型的正确率比较高,疾病状态分别达到了77.30%和73.50%,基因型分别达到了77.35%及76.30%.由此可见,基因对静息态功能脑网络存在一定影响,也证明了基因与抑郁症疾病状态之间存在相互效应.     

基于特征融合方法的轻微认知衰退静息态脑电数据自动检测技术研究

轻微认知衰退是阿尔茨海默病的早期阶段,而利用脑电信号进行轻微认知衰退的特征提取与分类是诊断轻微认知衰退的重要方法。在基于脑电人工智能轻微认知衰退自动检测技术中,现有研究只提取脑电波信号中的某一个特征或简单地拼接多个特征,这会导致这些方法并不能较好地考虑特征之间的相关性,并且会引发维度灾难的问题;提出了一种基于卷积神经网络的轻微认知衰退静息态脑电数据自动检测算法,通过提取脑电的功率谱及脑网络特征,并通过矩阵运算的方式对这两种特征进行融合,利用卷积神经网络对融合后的特征进行分类。该方法在上海某医院采集的数据集上获得较高的准确率;此外,通过输入特征集的不同子集,该方法找到了对轻微认知衰退最有贡献的几组特征,从而还具有一定的可解释性。在本数据集上证明了功率脑网络对于轻微认知衰退自动诊断的优势。     

静息态功能脑网络的基因基础以及分类研究

为了判断抑郁症患者组与健康对照组之间是否存在显著的基因型差异及基因型与疾病状态间是否存在显著交互效应,选择GSK-3β(Glycogen Synthase Kinase-3β)基因,通过功能脑网络指标进行统计分析,并利用统计显著性作为特征选择的依据,提取不同数量的节点属性作为分类特征。选择四种不同的分类算法进行分类研究,结果表明SVM和人工神经网络算法构建的分类模型正确率较高,疾病状态分类模型分别达到73.50%和70.87%,基因分类模型分别达到74.35%和76.66%。因此,基因对静息态功能脑网络存在着一定的影响,并且证明了脑网络的相关指标可以作为对基因与抑郁症疾病之间存在交互效应的判断依据。     

CNN实现的运动想象脑电分类及人-机器人交互

基于脑电的脑机交互能帮助肢体运动障碍患者进行日常生活和康复训练,但是,由于脑电信号存在信噪比较低、个体差异性大等问题,导致脑电特征的提取与分类还需要进一步提高准确性和效率.因此,在减少脑电采集通道数目、增加分类数目的前提下,基于卷积神经网络对运动想象中的脑电信号进行分类.首先,基于已有方法进行探索实验,建立由3层卷积层、3层池化层和2层全连接层构成的卷积神经网络;然后针对想象左手、右手、脚的运动和静息态设计与开展了实验,获取了相关脑电数据;之后,利用脑电数据训练出基于卷积神经网络的分类模型,测试结果表明,该模型平均分类识别率达到了82.81%,且高于已有的相关分类算法;最后,将已建立的分类模型应用于运动想象信号的在线分类,设计与开发了脑机交互应用原型系统,驱动人-机器人之间的实时交互,帮助用户利用运动想象控制仿人机器人的抬手、前进等运动状态.进一步的测试结果表明,机器人对用户控制命令的平均识别率达到了80.31%,从而验证了所提方法可以对运动想象脑电数据进行较为精确的实时分类,可以促进脑机接口技术在人-机器人交互中的应用.     

基于CNN-BiLSTM的自动睡眠分期算法

睡眠分期是睡眠数据分析的基础,针对目前睡眠分期存在的依赖人工提取、人工判别效率低、自动睡眠分期准确率不高等问题,本文研究模型是基于卷积神经网络和双向长短时记忆神经网络2个深度学习神经网络相结合的,利用脑电信号来进行自动睡眠分期的模型方法.算法能提取得到原始脑电信号的梅尔频谱,利用卷积神经网络和双向长短时记忆神经网络进行...     

卷积神经网络及其分析在抑郁症判别中的应用

在线脑电分类能准确评估严重抑郁症患者的脑状态并及时跟踪其发展状态可以将其陷入危险和自杀的风险降为最低。然而，在无经验监督条件下，在线脑电分类应用面临更大的挑战：脑电数据往往具有弱信号、高噪声与非平稳特性；缺乏有效解耦脑疾病发作时脑区与神经网路的复杂关系。为此，设计一个以卷积神经网络为核心的云辅助在线脑电分类系统，该系统直接应用于原始脑电信号，无需进行预处理和特征提取，能精准、快速判别抑郁症状态。在公开数据集上进行抑郁症评估实验，对健康控制组和抑郁症对照组分类的准确率、敏感度和特异度分别为99.08%、98.77%和99.42%。另外，通过对神经网络进行定量解释，表明抑郁症病人的左右颞叶脑区与正常人存在明显差异。     

基于受限玻尔兹曼机的疲劳脑电特性分析

为了准确提取和分类视觉疲劳所引起的脑电特征，以此提醒过度用眼的工作人员及时休息，提出了多通道受限玻尔兹曼机算法和卷积神经网络(CNN)算法结合的深度学习混合模型，利用该模型对枕叶区10个通道的脑电信号进行自动提取内在特征和分类。在基于SSVEP的视觉疲劳脑电数据集上进行评估，深度学习混合模型的平均准确率达到88.63%,比传统的特征提取和分类方法高10%。实验结果证明了深度学习混合模型取得的分类效果较好，并且克服了传统手动提取特征方法不全面的不足，对疲劳脑电的研究具有现实的意义。     

A Method for Classification and Evaluation of Pilot’s Mental States Based on CNN

How to accurately recognize the mental state of pilots is a focus in civil aviation safety. The mental state of pilots is closely related to their cognitive ability in piloting. Whether the cognitive ability meets the standard is related to flight safety. However, the pilot's working state is unique, which increases the difficulty of analyzing the pilot's mental state. In this work, we proposed a Convolutional Neural Network (CNN) that merges attention to classify the mental state of pilots through electroencephalography (EEG). Considering the individual differences in EEG, semi-supervised learning based on improved K-Means is used in the model training to improve the generalization ability of the model. We collected the EEG data of 12 pilot trainees during the simulated flight and compared the method in this paper with other methods on this data. The method in this paper achieved an accuracy of 86.29%, which is better than 4D-aNN and HCNN etc. Negative emotion will increase the probability of fatigue appearing, and emotion recognition is also meaningful during the flight. Then we conducted experiments on the public dataset SEED, and our method achieved an accuracy of 93.68%. In addition, we combine multiple parameters to evaluate the results of the classification network on a more detailed level and propose a corresponding scoring mechanism to display the mental state of the pilots directly.     

多通道连续卷积神经网络脑电信号情绪识别

针对不同个体的脑电信号差异大且易受到环境因素影响的问题, 结合去基线干扰及脑电通道选择方法, 提出一种基于连续卷积神经网络的情绪分类识别算法. 首先进行基线信号的微分熵(differential entropy, DE)特征的选取研究, 将数据处理为多通道输入后使用连续卷积神经网络进行分类实验, 然后选择最佳电极个数. 实验结果表明, 将实验脑电信号微分熵与被试者实验脑电前一秒的基线信号微分熵的差值映射为二维矩阵后, 在频率维度组合为多通道的形式作为连续卷积神经网络的输入, 在22通道上唤醒度和效价的分类平均准确率为95.63%和95.13%, 接近32通道的平均准确率.