基于TQWT的癫痫脑电信号的识别

针对癫痫脑电(EEG)信号的识别问题,提出了一种基于可调品质因子小波变换(TQWT)的脑电特征提取方法。首先,利用TQWT将EEG信号进行分解,得到各个小波子波带;然后,根据癫痫异常波对应的频率范围,合理的选择小波子波带进行重构,提取有效值和峰峰值构成特征分量;最后,采用支持向量机进行分类。将所提出方法应用于癫痫脑电信号的识别中,以德国伯恩大学癫痫研究中心采集的典型脑电数据进行验证。实验分析结果表明,所提出的特征提取方法对正常和癫痫发作期EEG信号的分类准确率可达98%。     

子波变换在癫痫脑电信号检测和分析中的应用

介绍了一种新近发展的非线性、多尺度及多分辨信号的分析方法——子波分析在癫痫脑电信号检测和分析中的应用。重点介绍子波分析在脑电信号去噪、自动检测及癫痫发作过程的多尺度特征分析,癫痫发作动力学研究,以及癫痫发作预报等方面的应用。为癫痫脑电信号的临床应用及发病机理的研究提供一种新的方法。     

儿童失神癫痫发作期脑电信号子波熵分析

本研究采用脑电信号的整体子波熵和分尺度子波熵研究脑电信号的信息复杂性,探索儿童失神癫痫(CAE)发作的动力学机制。研究采集儿童失神癫痫患者及正常对照的脑电信号;采用连续子波变换提取脑电信号的时频特征;采用子波功率谱分析提取分尺度功率谱特征;根据分尺度功率谱计算整体子波熵和分尺度子波熵,分析整体子波熵和分尺度子波熵随CAE发作的时间演变过程,并与正常对照进行比较。结果显示:CAE患者发作期脑电信号的整体子波熵显著低于正常对照组,也低于发作间期。CAE发作时第12尺度(对应中心频率3 Hz)的分尺度子波熵显著高于正常对照,α频带(中心频率10 Hz)脑电节律的子波熵明显低于正常对照。脑电信号整体子波熵可以反映脑电信号的复杂程度,CAE发作时脑电信号的信息复杂度明显降低。子波熵降低有可能成为癫痫发作的特征神经电生理参数,为癫痫发作的神经调控技术的研究提供依据。     

基于小波包变换的癫痫脑电棘波检测

为了能够较好地实现癫痫患者脑电的棘波检测,提出一种将棘波物理特征（幅度、频率）和小波包变换结合的算法,用于癫痫患者脑电信号的棘波检测。首先利用小波包变换对癫痫脑电信号进行小波包分解,将脑电波频率（0~30 Hz）划分为3层;其次根据脑电波的频率范围重构第三层节点频率S（3, 0）（0~10.85 Hz）、S（3, 1）（10.85~21.7 Hz）、S（3, 2）（21.7~32.55 Hz）的脑电信号;最后取棘波的幅度作为检测阈值分别提取癫痫患者健康期、癫痫发作间期及癫痫发作期的棘波。实验结果证明,当数据的采样频率为173.61 Hz、信号长度为23.6 s时,该算法能够提取不同癫痫患者在不同时期的棘波信号,该算法棘波的误检率为12.02%、漏检率为11.70%。因此,本文所采用的算法在癫痫棘波检测中具有良好的效果。     

基于样本熵与小波包能量特征提取和Real AdaBoost算法的正常期、癫痫间歇与发作期的脑电自动检测

脑电图(EEG)分析已被广泛应用于疾病的诊断,针对癫痫患者的脑电检测可及时对患者的发病情况作出判断,具有很强的实用价值,因此急需癫痫脑电自动检测、诊断分类技术。为实现患者正常期、癫痫发作间期和发作期各时段脑电的快速、高精度自动检测分类,本文提出一种基于样本熵(SampEn)与小波包能量特征提取结合纠错编码(ECOC)Real AdaBoost算法的脑电自动分类识别方法。将输入信号的样本熵值和4层小波包分解后的部分频段能量作为特征,并用纠错编码和Real AdaBoost算法相结合的方式对其进行分类。本文采用德国波恩大学癫痫数据库实验数据(含正常人清醒、睁眼与清醒、闭眼,癫痫患者间歇期致痫灶外与致痫灶内及癫痫发作期5组脑电信号)进行了方法有效性检验。研究结果表明,该方法有较强的脑电特征分类识别能力,尤其对癫痫间歇期脑电信号识别率提升显著,上述5组3个时期不同特征脑电信号的平均识别率可达96.78%,优于文献已报道的多种算法且有较好稳定性与运算速度及实时应用潜力,可在临床上对癫痫疾病的预报及检测起到良好的辅助决策作用。     

基于离散S变换和排列熵的癫痫脑电识别

脑电图(EEG)分析对癫痫疾病的诊断具有重要的参考价值,对癫痫脑电信号的自动分类可以及时对患者的情况作出判断,在临床上有很重要的意义。为解决脑电信号采用单一特征识别率不高的问题,同时也为避免小波基函数的选取对分类结果的影响,本文提出了一种基于S变换和排列熵(PE)的癫痫脑电信号自动判别方法,首先将原始脑电信号进行离散S变换,再对变换后脑电信号各节律的系数分别求其波动指数,并与脑电信号的排列熵值共同组成特征向量送入Real Ada Boost分类器进行癫痫各时期的判别。本研究采用德国波恩大学癫痫研究中心数据库,对正常人清醒睁眼,癫痫患者发病间歇期致痫灶内及发作期3组脑电信号数据进行方法有效性检验。研究结果表明,各节律的波动指数可有效表征正常、癫痫发作间期和癫痫发作期脑电信号,且多种特征的识别率明显优于单一特征,平均识别率可达到98.13%,相比于仅提取时频特征或非线性特征,识别率分别提高了1.2%和8.1%以上,优于文献中报道的多种方法。因此,本方法在癫痫疾病的诊断方面有较好的应用前景。     

基于扩展Infomax 独立分量分析算法的脑电信号消噪

背景：脑电信号能够反映大脑不同的生理病理状态,但在采集和分析处理过程中极易受到各种噪声的干扰,如眼球运动、眨眼、心电、肌电等,这些噪声的存在严重影响了脑电信号的分析和处理。 目的：介绍了一种基于扩展Infomax的独立分量分析方法,并用于脑电信号消噪。 方法：通过扩展Infomax算法的迭代求得分离矩阵,采用去除噪声分量后的独立成分重构需要记录的脑电信号,观察Matlab仿真得到的去噪后的脑电信号,同时比较去噪前后各导联脑电信号与眼电信号的相关性。 结果与结论：使用扩展Infomax 独立分量分析算法能够成功地去除多导脑电信号中的眼电干扰。再比较去噪前后各导联脑电信号的功率谱,可以发现使用扩展Infomax独立分量分析算法同时也能够成功地去除多导脑电信号中的工频干扰,且对脑电信号中的其他有用信号几乎没有破坏。     

基于小波包变换的癫痫心电信号特征提取

目的:针对癫痫病的检测,从脑电中获取癫痫特征是传统的方法,但是,心电与脑电相结合的诊断方式是未来医疗卫生事业的重要发展方向,所以利用心电信号表征癫痫信息是一个值得研究的课题。方法:小波包变换为心电信号提供了一种十分精细的分析方法,它实现了信号能量在等宽频带上的分解。首先对单周期样本心电信号进行多层小波包分解,重构各个结点的分解系数并提取结点的能量;然后运用最小二乘法对结点能量值进行十次曲线拟合,并提取曲线中的能量极大值点。结果:在0 Hz到0.65 Hz频带内,癫痫心电样本的能量极大值点的频率位置集中在四个特征频带内,而其它心电样本的能量极大值点大部分分布在这四个频带范围以外,这为癫痫病的检测提供了良好的分类特征,实验结果表明本文算法对癫痫病具有较高的识别率。结论:心电信号易于检测且硬件成本低,在医疗中的应用十分频繁,本文算法能够方便的从心电信号中获取癫痫信息,这为癫痫病的检测与诊断提供了一条十分实用的途径。     

基于小波变换和独立分量分析相结合的癫痫脑电分析

临床上分析癫痫脑电信号非常重要。由于临床记录的癫痫脑电信号中含有大量的伪迹干扰,特别是肌电伪迹,所采集的脑电信号无法正确反映大脑的生理及病理状况。本研究利用小波变换的多分辨率特性和独立分量分析(ICA)的盲源分离特性,把用连续小波变换分解的脑电子带信号作为ICA输入,经ICA分离后,有效地消除了癫痫脑电中的肌电伪迹,并分离出了癫痫样特征波,效果理想。     

基于小波变换的肌肉疲劳表面肌电信号特征提取的研究

当前肌肉疲劳表面肌电信号(surface electromgography,sEMG)特征提取方法,忽略了非线性跳错信号的影响,且不能在非平稳状态下进行特征提取,存在特征提取准确度差的问题。提出基于小波变换的肌肉疲劳sEMG特征提取研究,采用小波变换对所采集的样本去噪,结合时域、频域特征分析法,融合傅里叶变换方法对肌电信号中的线性特征进行提取,根据带谱近似熵理论对非线性挑错信号进行特征回归分析,并利用拟态分解函数和希尔伯特变换法对肌电信号进行时频特征的整合提取,最终完成基于小波变换的肌肉疲劳sEMG特征提取研究。实验验证,所提方法具有可行性,且将1000个肌电信号样本分成5组,对其中的跳错信号进行特征提取,所提方法准确度较文献方法高出75%,在非平稳状态下将200个肌电信号样本分成5组进行特征提取,所提方法准确度较文献方法高出33%。由此得出,所提方法优于当前特征提取方法。     

样本熵及在脑电癫痫检测中的应用

对癫痫进行检测和预报具有非常重要的临床意义。首先采用近似熵对癫痫患者的脑电信号进行分析，探索运用近似熵进行癫痫检测的可行性。针对近似熵存在的问题，选用一种与近似熵类似但精度更好的方法一样本熵，并同近似熵就在癫痫脑电信号中的应用进行了比较分析。结果显示癫痫发作时脑电信号的近似熵和样本熵均明显低于发作前和发作后。样本熵的变化幅度明显大于近似熵，样本熵的变化幅度相对于近似熵提高了约10％～25％。     

一种基于改进经验模态分解的癫痫脑电识别新方法

在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要。针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法。首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;最后,采用支持向量机进行信号的分类识别。算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号。实验研究表明：该方法对总测试脑电信号的识别率达到94%。其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电。     

癫痫脑电棘波的小波变换模极大值对检测方法

本文首次将对小波变换模极大值对检测信号奇异点的理论应用于癫痫脑电信号,对棘波进行检测。采用二进样条小波脑电信号按Ｍａｌｌａｔ算法进行变换,分析含有奇异点的信号,即棘波,与其小波变换模数大值对的关系,对棘波进行识别。     

基于改进的伪Wigner分布检测癫痫EEG棘波的方法

本文提出了一种新的检测癫痫EEG棘波的方法，采用改进的伪Wigner分布对脑电信号进行时频变换，这种时频分布不仅能够有效地消除交叉项，而且可以快速实现，在时频平面上，以每个时间点上的中心频率划分背景脑电和癫痫样瞬态特征，通过一个镜像滤波器提取瞬态分量，最后，利用瞬态分量的能量局部极值检测棘波，临床应用表明，这种方法能够快速有效地从背景脑电中提取癫痫样瞬态特征。     

经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用

提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题。为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优。在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性。     

基于固有模态分解和深度学习的抑郁症脑电信号分类分析

以采集到的抑郁症患者和正常人的脑电信号为基础,采用固有模态分解算法对原始信号去噪处理,通过卷积神经网络对抑郁症患者和正常人进行分类分析。首先通过脑电信号的采集实验,采集15位抑郁症患者和15位正常人对照组Fp1的静息态脑电信号;之后对采集到的静息态脑电进行去噪处理,脑电去噪处理主要包括固有模态分解算法对原始信号的分解获得不同层次的IMF分量,对IMF分量进行频域分析,通过硬阈值的方法剔除原始信号中的噪声信号;最后采用卷积神经网络对抑郁症患者和正常人对照组进行二值分类,结果相较于传统的特征提取-机器学习算法,分类准确率明显提高。     

基于能量特征的脑电信号上肢运动意图智能识别

传统的对运动员上肢运动意图识别方法,没有对采集获得的大量脑电信号进行平滑滤波,存在较多毛刺干扰,导致识别准确率和识别率不高。我们提出一种基于能量特征的脑电信号上肢运动意图智能识别方法,采用快速傅里叶变换方法对采集获得的运动障碍患者脑电信号进行频率分析,获得患者脑电信号中的μ波和β波频率分布规律,找到脑电信号噪声所在频段;并采用Daubechies小波将患者脑电信号进行3阶分解,将患者脑电信号中低频部分的小波系数进行归零处理后,再进行脑电信号重构,即可消除低频脑电信号中的噪声干扰;在此基础上,采用小波包系数分析患者脑电能量,实现患者脑电信号能量特征提取;基于脑电信号能量特征,采用马氏距离判别方法对上肢运动意图进行智能识别。实验结果显示,所提方法能够去除原始脑电信号中的"毛刺"干扰,平均识别率结果为88. 6%,识别准确率和识别率较高。     

基于残差注意力神经网络模型的癫痫脑电信号分类

目的 针对癫痫脑电信号特征提取过程复杂、信息提取不充分及分类精度较低等问题，本文提出一种基于残差注意力神经网络模型（residual attention module neural network,RAM-Net）用于实现癫痫脑电信号的自动分类。方法 首先对脑电信号进行去噪和分段处理，使网络更有效提取细节特征；然后根据脑电信号在时频域幅值特点，将信号转换为二维时频图像作为模型输入；最后借鉴残差网络思想，在每个残差块中融合注意力机制，构建分类模型，在临床数据集上做验证。结果 该方法分类准确率为97.16%，精确率为97.00%，可实现癫痫发作、间期和正常状态的脑电信号三分类。结论 基于RAMNet的癫痫脑电信号分类方法将脑电信号转化为二维图像，降低了方法复杂度；融合注意力机制增强了网络的有效信息提取能力，可为癫痫临床辅助诊断提供一种新的分析思路和处理方法。     

基于深度密集卷积网络的癫痫信号识别

癫痫是常见的一种脑部疾病。本研究以德国伯恩大学脑电癫痫信号数据集的预处理版本为样本对象,通过深度卷积神经网络算法DenseNet,实现癫痫脑电信号识别准确率达到96.94%、精确度为97.46%、灵敏度为87.18%、特异度为99.42%和F1分数92.03%的效果。本研究通过Python编码实现密集神经网络,用以进行癫痫脑电信号中的特征识别,以达到识别病灶的目的。本研究具有良好的医学应用前景。     

结合子空间方法和提升小波变换提取事件相关脑电位

我们提出了一种提取事件相关脑电位的复合方法。它用奇异值分解方法将含噪信号分解为噪声子空间和信号子空间,将含噪信号正交投影到信号子空间进行初步除噪,随后将得到的信号进行提升小波变换,对变换结果进行一维小波重构进一步去除噪声,最后提取出ERP成分。介绍了基于奇异值分解的子空间方法和对信号进行提升小波去噪的实现方法。仿真结果表明,结合两种方法提取事件相关脑电信号时,比单独采用其中一种方法的效果要好,并可减少提取事件相关电位所需的实验次数。对实验数据的处理结果表明,该方法的实际处理效果良好。