多频带频域深度置信网络脑电特征识别算法

针对DBN（深度置信网络）脑电信号识别率不高的问题,提出了多频带频域深度置信网络（multi-band FDBN）算法进行特征提取.不同频带存在个体性差异,它们对于分类结果的贡献不完全相同,本文利用带通滤波器将原始的脑电信号分成多个频段,再采用FFT（快速傅里叶变换）将时域信号转换为频域信号并作归一化处理,最后将每个频段的频域数据输入DBN进行训练识别.线下实验证明,相比FDBN（频域深度置信网络）算法,多频带FDBN的平均准确率提高了3.25%,且标准差更小,鲁棒性更好.最后,在智能轮椅平台上,利用多频带FDBN算法基于左右手运动想象脑电信号控制轮椅完成了"8"字形路径,证明了该算法在脑电信号特征提取中的有效性.     

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。     

基于复杂网络的脑电信号分析

采用相空间重构方法将一维脑电信号转换成复杂网络进行研究。将一维时间序列构造成多维相空间,计算多维时间序列任两个向量点间的距离得到加权矩阵,选择恰当的阈值将加权矩阵转换成二进制矩阵,该二进制矩阵视做时间序列所对应的复杂网络的邻接矩阵,阈值的选择使得生成的复杂网络满足连通性。利用该方法对睁眼和闭眼时的脑电信号进行辨别分析。结果表明,两信号的递归图、网络拓扑图、网络度分布和模体分布均表现出显著不同。因此,此分析方法为利用复杂网络实现分析和辨识不同脑电提供了新的思路。     

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。     

基于3DC-BGRU的脑电情感识别

针对脑电信号情感识别率偏低的问题,提出了一种基于3DC-BGRU的脑电情感识别方法。对单通道脑电信号进行短时傅里叶变换（STFT）,提取相关频带的时频信息构成二维时频图,并将多个通道的时频图构成一种全新的时间、频率和通道的三维数据形式,通过三维卷积的方式设计了一种新颖的卷积神经网络（CNN）模型对三维数据进行深层特征提取,设计双向门控循环单元（BGRU）对深层特征的序列信息进行处理并配合Softmax进行分类。实验结果表明该方法分类识别率得到提高。     

基于深度神经网络的个性化睡眠癫痫发作预测

现有癫痫发作预测方法存在精度较低、错误报警率较高、癫痫患者睡眠脑电特异性、致痫灶位置和类型不同导致脑电信号存在差异的问题.文中提出基于深度神经网络的个性化睡眠癫痫发作预测方法,帮助医生和患者采取及时有效的治疗措施,降低患者患并发症和猝死的概率.对原始脑电信号滤波和分段以去除噪声,保证短时间内触发警报,利用离散小波变换分解信号并提取统计特征表征脑电信号时频特征.再应用双向长短期记忆网络挖掘最具鉴别能力的特征并结合留一法分类,经过决策过程优化得到预测结果.在不同频带限制条件下的实验表明,与睡眠癫痫相关的δ频带信号是影响发作预测性能的重要因素.相比现有睡眠癫痫预测方法,文中方法性能较优.     

基于脑网络和TSK模糊系统的癫痫脑电识别

脑电检测是癫痫疾病诊断的重要手段,但基于脑电信号特征的人工标记方法,对癫痫发作状态识别的准确度较低。将脑功能网络与TSK模糊系统相结合,提出一种癫痫脑电信号识别的新方法。通过分析多通道脑电信号之间的同步性,构建癫痫患者的脑功能网络,采用复杂网络方法提取特征参数;以脑网络参数为输入特征建立TSK模糊系统模型,通过监督式学习训练分类器,用于识别癫痫发作期的脑电波形。实验结果证明了该方法的有效性,模糊分类器对癫痫发作状态识别的准确度达到98.36%,99.48%敏感度和97.24%特异度。该方法将复杂网络与机器学习算法相融合,为通过脑电检测识别癫痫疾病状态提供了新方法,具有重要的应用价值。     

基于同步压缩和DCGAN的癫痫脑电信号检测方法

脑电信号智能识别是癫痫病检测的重要手段,为更加准确地预测癫痫发作,针对目前的深度学习方法特别是卷积神经网络在脑电信号分类方面存在的一些问题,如算法复杂度过高、样本量太少导致分类效果差等,提出基于傅里叶同步压缩变换和深度卷积生成对抗网络的癫痫脑电信号检测方法。首先同步压缩方法将短时傅里叶变换处理后的信号时频能量进行压缩,使得频谱图像精度更高;其次构建深度卷积生成对抗网络来提取特征;最后实现癫痫发作预测。实验在CHB-MIT脑电数据集上进行,结果表明该方法具有97.9%的检测准确率。使用生成对抗网络有效解决了样本量不足的问题,结合同步压缩处理方法后,具有良好的识别准确性。     

基于脑电模糊分析的睡眠分期方法研究

利用脑电信号模糊特征分类的方法对睡眠进行分期研究。首先对脑电信号进行预处理,滤除干扰噪声后使用模糊熵算法、多尺度熵算法以及复杂度算法对脑电信号进行特征参数提取,采用最小二乘支持向量机（the Least Squares Support Vector Machine,LS-SVM）对特征参数进行分类,并将睡眠过程分为清醒期、浅睡期、深睡期和快速眼动期（Rapid Eye Movement,REM）,获得分期正确率。最后通过上述方法对2?000组睡眠脑电样本进行睡眠分期测试,与专家人工分期结果进行比对,将复杂度输入到最小二乘支持向量机进行分类的平均正确率是92.65%,高于模糊熵和多尺度熵作为最小二乘向量机的输入时的准确率。基于模糊特征的复杂度提取的特征参数可以作为睡眠分期的有效依据,在保证准确度的前提下,降低人工成本。     

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。     

Detection of epileptic electroencephalogram based on Permutation Entropy and Support Vector Machines

The electroencephalogram (EEG) has proven a valuable tool in the study and detection of epilepsy. This paper investigates for the first time the use of Permutation Entropy (PE) as a feature for automated epileptic seizure detection. A Support Vector Machine (SVM) is used to classify segments of normal and epileptic EEG based on PE values. The proposed system utilizes the fact that the EEG during epileptic seizures is characterized by lower PE than normal EEG. It is shown that average sensitivity of 94.38% and average specificity of 93.23% is obtained by using PE as a feature to characterize epileptic and seizure-free EEG, while 100% sensitivity and specificity were also obtained in single-trial classifications.     

EEG signal classification using wavelet feature extraction and a mixture of expert model

Mixture of experts (ME) is modular neural network architecture for supervised learning. A double-loop Expectation-Maximization (EM) algorithm has been introduced to the ME network structure for detection of epileptic seizure. The detection of epileptiform discharges in the EEG is an important component in the diagnosis of epilepsy. EEG signals were decomposed into the frequency sub-bands using discrete wavelet transform (DWT). Then these sub-band frequencies were used as an input to a ME network with two discrete outputs: normal and epileptic. In order to improve accuracy, the outputs of expert networks were combined according to a set of local weights called the “gating function”. The invariant transformations of the ME probability density functions include the permutations of the expert labels and the translations of the parameters in the gating functions. The performance of the proposed model was evaluated in terms of classification accuracies and the results confirmed that the proposed ME network structure has some potential in detecting epileptic seizures. The ME network structure achieved accuracy rates which were higher than that of the stand-alone neural network model.     

癫痫脑电的递归确定性分析

利用排序递归图的分析方法对癫痫脑电进行了确定性(DET)的分析,得出癫痫头皮脑电(EEG)的DET高于健康EEG。DET特征的差异性在局部导联上更明显,局部导联的DET特征可以作为癫痫疾病的自动诊断特征。通过分析发作阶段和发作间隙皮层脑电(ECoG)的DET,得出整个频带的DET差别不大,而在beta频带,发作阶段的确定性明显高于发作间隙的DET。Beta频带的DET特征可以作为癫痫发作的预测特征。研究结果为癫痫疾病的自动诊断和癫痫发作预测提供了理论依据。     

基于集员滤波的二阶Volterra自适应归一化最小平均P范数算法

针对Volterra非线性滤波算法计算复杂度呈幂级数增加的问题,提出了一种α稳定分布噪声下的基于集员滤波的二阶Volterra自适应滤波新算法。由于集员滤波的目标函数考虑了所有输入和期望输出的信号对,通过误差幅值的p次方的门限判决,更新Volterra滤波器的权向量,不仅有效降低了算法复杂度,而且提高了自适应算法对输入信号相关性的鲁棒性;并推导给出了权向量的更新公式。仿真结果表明,该算法计算复杂度低、收敛速度快,对噪声及输入信号相关性有较强的鲁棒性。     

一种新的基于邻接矩阵的拓扑排序算法

为了降低基于邻接矩阵的拓扑排序算法的复杂性，将单顶点算法框架扩展成集合算法框架，给出一些便于进行拓扑排序的有向无环图的性质。在此基础上，定义了适合进行弧删除操作和无前驱顶点判断的邻接矩阵运算，给出了有向弧邻接矩阵的存储方案，最终提出了一种时间和空间复杂度都比较低的拓扑排序算法。     

Automatic EEG seizure detection using dual-tree complex wavelet-Fourier features

Epilepsy is one of the most common neurological disorders with 0.8% of the world population. The epilepsy is unpredictable and recurrent, so it is very difficult to treat. In this paper, we propose a new Electroencephalography (EEG) seizure detection method by using the dual-tree complex wavelet (DTCWT) – Fourier features. These features achieve perfect classification rates (100%) for the EEG database from the University of Bonn. These classification rates outperform a number of existing EEG seizure detection methods published in the literature. However, it should be mentioned that several recent works also achieved this perfect classification rate (100%). Our proposed method should be as good as these works since our method only performs the DTCWT transform for up to 5 scales and our method only conducts the FFT to the 4th and 5th scales of the DTCWT decomposition. In addition, we could replace the conventional FFT in our method by sparse FFT so that our method could be even faster.