癫痫脑电的互信息和同步性分析

脑电（EEG）分析是研究癫痫的一个重要手段。以临床采集的健康对象和癫痫患者的头皮EEG为研究对象,计算不同导联EEG数据之间的排序互信息,结果表明癫痫患者不同导联之间的互信息明显高于健康对象,因此,排序互信息可以作为癫痫疾病诊断的重要特征。以排序互信息为依据,对癫痫脑电进行了同步性的分析,结果表明癫痫患者左脑区域内、右脑区域内及左右脑区之间的信息交流明显增强,即其同步性强于健康对象。互信息和同步性的分析方法还可对癫痫发作前期和发作阶段的EEG进行分析,对癫痫发作作出预测。     

基于递归定量分析的视听脑电应用研究

视听觉整合的脑电信号研究丰富了脑认知领域的内容，但是现有的脑电信号分析方法大部分是基于线性的分析方法，同时对数据的信噪比要求较高。而基于相空间重构的排序递归图的递归定量分析方法对被测信号的噪声要求较低，并且是基于非线性的分析方法，为视听觉整合的研究提供了新的分析方法。设计不同视听刺激范式的实验，采集被试在不同刺激范式下的脑电数据。对预处理后的数据进行相空间重构，得到排序递归图。以递归率和确定性作为整合效果的分析参数。实验结果表明，该方法可以有效地从非线性角度分析视听觉整合效果，具有较高的准确性。     

基于定量递归分析的校园网流量特性分析

混沌理论作为非线性理论的一个重要分支,越来越多的应用到网络流量分析中.在相空间重构的基础上,通过递归图(RP)和定量递归分析(RQA),定性和定量分析某校园网络流量的混沌特性,然后借鉴滑动窗口的概念,提出了基于混沌特征值的异常流量检测方法.     

融合小波包变换的一维ＭｏｂｉｌｅＮｅｔ癫痫脑电信号识别

针对目前传统神经网络内存需求大,运算量大,在移动端或嵌入式设备上运行困难等问题,提出了一种融合了小波包变换的轻量级卷积神经网络模型,用于癫痫脑电信号识别的研究。根据癫痫脑电信号的特性,首先采用小波包变换将脑电信号分成三个频段,然后运用改进的一维MobileNet训练、分类。同时引入超参数宽度因子α,通过改变宽度因子的大小以调整模型的深度。实验结果表明,当一维MobileNet模型的宽度因子α选取为0.75时,最终准确率达到100%,其模型的计算量和参数量分别为56.1M和1.24M。与现有的癫痫EEG信号识别方法比较,此模型在准确率、参数量、计算量方面均有不错的表现。     

基于小波变换的脑电瞬态信号检测

在脑电（ＥＥＧ）信号分析与处理过程中,瞬态信号的检测和定位具有非常重要的实际意义,传统的瞬态脉冲检测方法是匹配滤波,但匹配波滤需要有关瞬态信号的先验知识,因而在实际应用中受一定的限制,本文用小波变换对含有瞬态干扰的脑电信号进行多尺度分解,在某些尺度下,瞬态信号特征得以明显增强,用简单的阈值比较就可以有效地检测并消除瞬态干扰,实验结果表是有,在缺乏先验知识的条件下,小波变换能有效检测出脑电信号中短时,低能量的瞬态脉冲。     

基于多分辨分析的脑电癫痫波自动检测*

分析了小波多分辨分析特征提取的特点,提出了八通道脑电信号癫痫波自动检测的方法。每个通道的信号利用小波变换进行五层分解,以提取小波变换各子带的小波系数和信号偏差组成特征值计算自适应阈值,并将其应用到关键子带,提取出信号中的癫痫波。研究的重点是对脑电信号进行分解选择合适的小波;确定适当的分解层次以及自适应阈值的计算。实验结果表明,方法能够为癫痫脑电的特征提取提供快速而有效的手段。     

基于脑电多特征融合的癫痫发作预测方法

癫痫的发作会给患者的身体和精神造成极大的创伤,对癫痫发作的准确预测可以及时协助医生对患者采取治疗措施.为了准确预测癫痫发作,提出脑电特征和多通道脑电交互特征相融合的癫痫发作预测方法.首先,提出多尺度符号化排列传递熵对多通道脑电信号交互信息进行分析,生成同步矩阵,并通过显著性分析筛选与癫痫发作相关的重要脑电通道,减少不必要特征对分类的干扰;然后,对筛选通道后的脑电信号生成表征脑电信号特征的功率谱密度能量图(PSDED)和描述脑通道交互特征的同步矩阵图(SMD),将两个特征图融合,采用深度卷积神经网络(DCNN)对癫痫患者脑电信号进行分类识别,提高学习能力和泛化能力,分类准确率可达到96.825%;最后,在分类的基础上采用预测评价系统对癫痫发作预测性能进行评估,癫痫发作预测范围(SPH)为10 min和发作发生期(SOP)为10 min时,预测敏感性达到96.66%,误检率可达到0.03/h;当SPH为30min,SOP为10 min时,预测敏感性达到93.17%,误检率可达到0.05/h.与现有研究结果相比较,所提出方法具有较好的预测敏感度和较低的误检率.     

基于无阈值递归图和深度残差网络的脑电信号情感识别

提出基于无阈值递归图和深度残差网络相结合的脑电信号情感识别方法.基于非线性动力学理论,将脑电信号转化为无阈值递归图,克服了传统递归图分析中阈值选取的问题,同时脑电信号非线性特征被映射到二维平面.通过深度残差网络实现特征图非线性特征的自动提取,建立情感脑电分类模型,实现了单导联脑电信号情感识别.为进一步提高识别精度,联合...     

基于小波包分解的时变脑电节律提取

研究从时变非平稳脑电信号中提取脑电动态节律的新方法。首先用小波包分解构造不同频率特性的时变滤波器以提取各种时变的脑电节律，研究临床脑电信号瞬时变化。在此基础上测试并分析两种不同功能状态下的脑电信号，并由此构造各种节律的时变脑电地形图。实验结果表明，小波包分解可以有效提取脑电不同节律的动态特性，此方法也适用于分析其他生物医学信号。     

基于递归分析的基音检测新方法

提出了一种语音信号非线性动力学特性递归分析的基音检测新方法;提出了递归数计算基音,研究了用递归度与所算基音之积精确区分清浊音法,给出了波动基音修正方法。实验结果表明,该方法可以得到比传统自相关法和倒谱法更好的结果,尤其是清浊音特征不明显的音段,基音检测的性能更好,在带噪语音音环境下也具有很好的适应性。     

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。     

Probabilistic neural networks combined with wavelet coefficients for analysis of electroencephalogram signals

Abstract: In this paper, the probabilistic neural network is presented for classification of electroencephalogram (EEG) signals. Decision making is performed in two stages: feature extraction by wavelet transform and classification using the classifiers trained on the extracted features. The purpose is to determine an optimum classification scheme for this problem and also to infer clues about the extracted features. The present research demonstrates that the wavelet coefficients obtained by the wavelet transform are features which represent the EEG signals well. The conclusions indicate that the probabilistic neural network trained on the wavelet coefficients achieves high classification accuracies (the total classification accuracy is 97.63%).     

多带模拟信号的采样与重构

为了实现多带模拟信号的有效采样,根据多带模拟信号的特点,建立了一个在平移不变空间上的多通道采样模型;利用插值函数实现信号的完整重构。以多带正弦信号为例,验证了该系统可以实现多带模拟信号的采样与重构。     

三种B-样条小波基处理重叠信号的比较

以B-样条小波为分析小波，提出了用于分析化学重叠信号解析的新方法一连续样条小波变换。详细讨论了采用二阶、三阶、四阶基数B-样条小波函数时，连续样条小波变换对重叠信号的解析，结果表明：连续样条小波变换应用于分析化学信号的处理，能使峰变窄同时还能提高信号的信噪比，是一种新型有效的重叠信号解析方法；对比三种样条小波基的处理结果，二阶B-样条小波基优于其余两种。     

微振动语音信号检测的干扰背景分析研究

将小波变换和非线性动力学研究方法相结合,分析研究了在微振动语音信号检测中两类干扰背景的特性及其对检测结果的影响,讨论了两类情况下的解决方法。先通过小波分解得到原始时间序列的低频和高频部分,再分别对其进行处理。结果表明,对随机噪音干扰信号而言,可以通过放大低频、抑制高频来增强微弱信号;而对于强混沌干扰背景信号,混杂信号低频部分和干扰背景的奇异吸引子最相似,因此需要通过抑制低频、放大高频来增强微弱信号。最后通过Matlab音频仿真证明了该结论。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

雷达辐射源信号小波变换特征提取方法

在小波域滤波算法的基础上提出一种对雷达辐射源信号进行脉内特征提取方法,该方法能够从信号中有效地提取定量信息。将小波变换后低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵构成雷达辐射源信号的二维特征向量。通过对10种雷达辐射源信号的特征提取和分类仿真实验分析表明：提取的样本特征在0 dB下具有很好的抗噪性和可聚类性,方法是有效的。该方法能够简化分类器的设计,有利于工程应用。     

数字通信信号小波变换尺度选取问题研究

利用小波变换检测信号奇异性时,往往选择特定的尺度因子来进行,但是目前对于尺度因子选取问题研究的很少。文章以经均方根升余弦脉冲成形的ASK信号提取瞬时包络为例,对小波变换尺度选择问题进行了研究。首先利用Haar小波变换系数的模来提取ASK信号瞬时包络,并与传统的基于Hilbert变换提取法进行了比较;然后重点对小波变换的尺度因子选取问题进行了研究,从改善信噪比的角度对最佳尺度因子选取进行了推导,并通过仿真验证了算法的可行性。