基于时变copula互信息的肌间耦合分析

如何准确、合理地衡量中枢神经系统调控下的肌间耦合关系,是一个富有挑战性的研究课题。在时变copula函数的基础上,通过与熵理论相结合,提出一种时变copula互信息估计方法,并将其应用于10名被试腕屈、腕展运动过程中,肱二头肌(BB)和肱三头肌(TB)记录的表面肌电(sEMG)信号在theta、alpha、beta等特征频段的耦合分析,同时对照静态copula函数验证其有效性,所用数据源自Ninapro DB4。实验结果表明,较之静态copula函数,时变copula函数对肌间相依结构的拟合优度更高,由时变copula互信息描述的肌间耦合强度存在显著的频段差异(P<0.05),具体表现为频段越高肌间耦合强度越低(腕屈:0.075 7~0.214 7 bit;腕展:0.078 0~0.237 3 bit),而静态copula互信息严重地低估肌间耦合强度。时变copula互信息为肌间耦合分析提供一种先进的理论指导方法,具有广阔的应用前景。     

基于变尺度符号化补偿传递熵的EEG压力情感分析

基于脑电信号的情感识别,对于相关情感疾病的诊断与治疗有着重要的临床和科研意义。如何有效地提取特征,提高识别率,减少计算时间是研究的重点。从研究脑通道间定向信息交互的角度出发,结合对瞬时因果效应的补偿算法,提出以变尺度符号化补偿传递熵(VSSCTE)为特征的情感分析方法,并以此构建情感因效性脑网络,使用网络测度与ReliefF特征优化选择算法进行通道选择。结果显示,在使用DAEP数据集中处理后的127个压力状态和125个平静状态的数据时,较传统的二元传递熵方法,VSSCTE的特征提取方法在压力和平静情感二分类上的准确率提升约15%,达到96.74%;进行脑电通道优化后,当通道数由32个降至15个时,分类准确率仅下降约2%(分类准确率为94.36%),计算时间从51.27 s降至23.84 s。所提出的VSSCTE脑电特征提取方法可以有效分析情感变化时脑区之间的信息交互,为情感分析和计算提供新的思路。     

基于表面肌电信号的手腕动作模式识别

基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础.为提高动作模式识别率,从肌电信号的产生机理出发,选取分别表征肌电信号形态特征——细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量;同时提出一种具有增量学习能力的K最近邻(KNN)模型增量学习算法作为模式识别的分类器.在对10位受试者手腕的4个精细动作(腕伸、腕屈、腕内旋、腕外旋)的识别实验中,取得了92.5％以上的正确识别率.同时对增量学习能力对分类器动作模式识别率的影响做对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5％.实验表明,该肌电信号动作模式的识别方法方案合理,具有应用价值.     

生物视觉诱发的轮廓检测方法研究

目的考虑到视觉机制与生物视觉感知高效性之间的密切联系,探究一种生物视觉诱发的轮廓检测新方法。方法首先提出一种经典感受野的视觉特征精细感知方法,以改善轮廓方位的检测精度;其次对前级最优朝向采取多尺度特征融合策略,以实现朝向响应的多尺度优化;然后模拟一种非经典感受野响应的动态抑制机制,能够有效抑制响应中的纹理细节;最后提出一种视觉显著性信息的反馈融合模型,得到最终的轮廓响应。结果以RuG40图库为实验对象,基于人工标记轮廓图对检测结果进行客观评价,其中样本集和单样本的最优平均P指标分别为0.48和0.55,整体上优于GD、ISO以及MCI等主流方法;在BSD500数据集上的实验结果与RuG40图库结果基本一致。结论基于生物视觉诱发的图像处理方法,将为后续图像理解和分析提供一种新的思路。     

一种疲劳驾驶检测中的脑电信号通道选择方法

针对传统的基于全通道脑电信号(EEG)的疲劳驾驶检测方法中存在数据冗余和硬件设施复杂的问题,提出一种基于阈值筛选的通道选择方法。首先对多个特征计算标准差等指标分别筛选出每个特征各自的理想通道;其次使用多层感知超限学习机(H-ELM)和使用粒子群优化算法(PSO)优化后的多层感知超限学习机(PSO-H-ELM)分别对理想通道的数据进行二分类, 并且与全通道数据的分类结果进行对比。分别采用了2组实验数据(一组数据通过实验室的模拟驾驶设备采集,受试6人;一组数据来自于公开数据集,受试12人;两者采集设备不同)对提出的方法进行了验证。实验结果表明,对于18名受试者,使用集合经验模态分解(EEMD)所获得的有限个本征模函数(IMF)的功率谱(PSD)特征普遍能够得到较多理想通道,并且对于同一设备,理想通道的分布大致相同并且通道数较少(分别为8个和11个通道)。同时,此通道选择方法还极大提高了疲劳驾驶检测的分类准确率(18 名被试在使用理想通道数据下的平均准确率达到了99.75 %,比使用全通道数据的准确率提高19.36 %)。此外,样本熵的理想通道与功率谱的理想通道几乎不重合,说明两种特征具有很好的互补性,两者特征结合提高了本方法的实用性,在疲劳驾驶检测的应用上具有一定参考价值。     

基于非负矩阵分解和复杂网络的肌间耦合分析

目的利用表面肌电信号,探究多块肌肉之间的信息传递关系和不同握力下的肌肉之间的耦合特性。方法采集6名健康受试者在不同握力下的表面肌电信号,首先用广义偏定向相干计算多通道肌肉之间的相干性;然后用非负矩阵分解算法将相干性进行分解;最后用复杂网络建立不同条件下的肌肉功能网络,利用图论的方法,定量分析肌肉功能网络的连接特性。结果不同握力下肌肉的激活程度存在显著性差异;肌间耦合在10～20Hz频段上较为显著,且在10～20Hz频段上耦合程度随着握力的增加呈现显著性变化。结论肌间耦合在不同频段和不同握力下呈现显著性不同,表明了中枢神经系统维持不同握力的控制模式,本文方法为诊断运动功能障碍和评价康复效果提供了依据。