Kolmogorov熵在大鼠脑电麻醉深度监测中的应用

将非线性动力学中的Kolmogorov熵应用到大鼠脑电麻醉深度监测分析中,计算并分析了大鼠在戊巴比妥钠腹腔注射麻醉过程中脑电信号的 Kolmogorov熵动态变化曲线,结果表明:大鼠注射戊巴比妥钠后,在最初的麻醉过程中,有些脑区呈抑制状态,有些脑区呈兴奋状态;大鼠注射戊巴比妥钠后 A脑区进入深度麻醉状态的诱导期时间约为1 300 s,B脑区的约为1 400 s;麻醉时Kolmogorov熵动态变化曲线与原始脑电信号所反映的各脑区抑制与兴奋状态的变化趋势有很好的一致性.因此,Kolmogorov熵可为临床麻醉深度的实时监测提供一个新的方法.     

麻醉深度检测脑电信号采集电路设计

近年,基于EEG信号麻醉深度检测技术得到重视,主要为麻醉深度检测系统中脑电信号采集预处理电路的设计,为后续处理提供基础。预处理电路主要包括前置放大电路、高通滤波电路、第二级放大电路、低通滤波电路、50Hz工频滤波电路、第三级放大电路,最后将脑电信号放大为1.5V左右,供后级芯片A/D转换处理。     

思维脑电信号的近似熵分析

计算了5种不同思维作业时脑电信号的近似熵.计算结果表明,当进行不同思维作业时脑电数据的近似熵存在着较大的差异.这提示可以利用近似熵作为思维脑电信号的特征实现对思维作业的分类.对于不同的受试者,即使是同一种思维作业、同一个电极上脑电数据的近似熵也存在着较大的差异.这提示在利用近似熵作为思维脑电信号的特征对心理作业进行分类时应当充分考虑不同受试者的个体差异.     

基于脑电波复杂度的麻醉深度监测

脑电(EEG)是能反映麻醉深浅程度的电生理信号，为了能从非线性、非平稳的脑电信号中提取与麻醉深度相关的有效信息，笔者采用由Lempel和Ziv提出的复杂度算法，对实测SD大鼠在不同麻醉状态下脑电信号的复杂度进行计算，比较了不同麻醉深度下脑电复杂度的变化情况．从实验观察的现象与数据比较结果可见，利用复杂度来表征脑电信号的特征值可以很好地反映麻醉的深浅程度，而且算法简单、实时性好，是一种量化庆醉深度的新方法．     

基于统计分布熵的抑郁症脑电信号分析

针对目前抑郁症研究和诊断中量化分析参数和分析方法不足的情况,本文提出和定义一种能对脑电活动的状态分布进行描述、并能用来计算和区分抑郁症患者和正常人脑电活动差异的统计分布熵方法。应用该方法对抑郁症患者和正常对照组的脑电信号统计分布熵进行数值计算,然后分析讨论它们之间的差异,最后对结果进行了统计分析。实验结果表明:抑郁症患者脑电的状态分布熵在部分脑区显著高于正常健康人,表现出较强的差异性。证明该统计分布熵能够表征大脑电活动的分布状态,提供反映其活动是否发生异变的信息,可以作为度量大脑电活动分布状态和分析脑电信号是否异常的一个物理参数。这对其用作诊断其他脑精神疾病的物理指标也具有积极意义。     

基于近似熵和样本熵的思维脑电信号分析对比

采用近似熵和样本熵,分别对三种不同思维任务产生的脑电信号进行特征提取,并将其特征进行比较分析,结果显示不同思维作业脑电信号的样本熵的变化幅度明显大于近似熵;近似熵和样本熵作为非线性动力学的统计方法为思维作业脑电信号特征提取提供了一种新的途径.     

16导脑电信号分形强度的左右分布

通过分析人在闭目清醒时的16导脑电信号(EEG)的多重分形特性，发现人脑16导EEG信号具有不同强度的分形特性且存在稳定的分布，分布规律表现为在人脑的左右对应区域强弱相对；对于右利手受试者顶区、额区、颞区、中央区的左右对应区信号的分形强度左强右弱，左半球的分形总量大于右半球的总量和；而对于左利手在对应位置的脑电信号则呈现左弱右强，且左半球的分形总量小于右半球的分形总量。这与脑的优势半球生理结论是一致的，表明人脑EEG信号的多重分形强度可以反映人脑的潜在特征。     

基于多导脑电复杂性测度的脑疲劳分析

通过对连续长时间脑力劳动前后状态下的脑电信号进行分析,提取了脑电信号的基本尺度熵和排列熵两种复杂性测度,研究了它们与脑疲劳程度之间的关系,以及它们在不同脑疲劳状态下的变化规律及其相关性.实验结果表明,基本尺度熵和排列熵与脑疲劳程度之间存在很强的关联性,对于不同的脑疲劳状态,随着脑疲劳程度的增加,其alpha(8～12 Hz)、beta(13～30 Hz)频率段和total频率段(0.5～30 Hz)脑电信号的基本尺度熵和排列熵逐渐降低.相对于Tsallis熵算法,基本尺度熵和排列熵可以更好地反映疲劳前后脑电信号复杂度的变化特性.同时,由于基本尺度熵和排列熵算法概念简单,运算量小,因而它们的计算复杂度大大降低,运算速度更快,使得实时分析与监测脑疲劳成为可能.脑电信号的基本尺度熵和排列熵有望成为衡量脑疲劳程度的指标.     

自由活动动物的脑电信号分析与识别

通过脑电信息识别意识行为并控制外围设备运行的脑机接口(Brain-computer interface,BCI)技术研究已成为神经科学与信息工程技术交叉学科的热点课题,分析行为活动中的脑电特征是BCI研究中的一个重要内容。利用自制金属微电极通过多道生理信号采集处理系统采集大鼠脑电局部放电,提取出与特定行为(抓食)相关的脑电活动特征信号,为大脑对行为的控制研究提供了一个有效的方法。     

基于复杂性测度的心率状态对比

本文介绍了近似熵（ApEn)和谱熵（SE）两种复杂性测度，研究了在两组静默（采用中国气功和Kundalini瑜珈练习方法）和正常状态下的心率复杂性。观察到两种状态下复杂度有明显差异，但两种状态下复杂性数值的大小关系对取决于不同的个体。研究结果进一步在心率变化的复杂性方面支持了关于在人体心率和自主调节间存在某种关联的看法，并提供了新的定量描述心率不同状态的方式和途径。     

基于Tsallis熵和近似熵的认知事件相关电位动态复杂度分析

提供了两种分析认知事件相关电位（ERP）复杂度动态变化的估计算法——时变Tsallis熵（ETsEn）和时变近似熵（EApEn），并将其应用于分析Stroop任务中ERP的动态复杂度．实验发现：BTsEn比EApEn能更好地反映不同刺激类型的ERP复杂度差异；EApEn比ETsEn能更准确地体现ERP复杂度随时间变化的规律．额区、中央区和顶区的ERP的ETsEn和EApEn在刺激前、刺激处理过程中、刺激处理后均有显著差异，即在刺激前熵较大且无明显变化，刺激处理过程中熵显著减小，刺激处理完成后熵恢复至刺激前状态，其变化的时序与行为数据基本一致。结果证明了时变的Tsallis熵和近似熵对动态复杂度从不同方面度量的有效性，为客观度量ERP的复杂度提供了新方法．     

光栅调制深度和深度误差对衍射效率影响的理论分析

本文通过对三种典型衍射光栅的透过率函数进行傅里叶级数展开,系统地计算并分析了其衍射效率,并得到了衍射效率的光谱响应和制作误差容限,从而为光栅根据不同需要进行优化设计提供了理论依据。     

基于熵理论和复杂度的肌电信号分析

传统信号处理方法对肌电信号分析存在一定局限。不能很好地描述肌电信号的复杂性;而基于熵理论和复杂度等非线性分析方法越来越多地应用于肌电信号等生理信号的处理。熵理论和复杂度对于肌电信号的处理具有运算速度快、数值特征明显,并且能够很好地描述其复杂性等特点。本文以做俯卧撑的上肢肌电信号为分析对象,通过计算其Renyi熵、小波熵和复杂度刻画不同阶段肌电信号的复杂性。并验证以此测度进行肌电信号不同区域划分的合理性,以及应用该方法分析肌电信号的有效性,取得了较好的效果。试验数据分析结果表明,小波熵值较大的部分对应于肌电信号能量较高的区域。从生理意义而言,这些区域正是肌肉纤维集中放电的过程。肌电信号成分单一,是复杂度较低的区域,而Renyi熵和复杂度值越大,对应的肌电信号成分复杂度越高,这与理论分析吻合得比较好。同时三者也得到了相互验证。由此表明该方法对于肌电信号的分析是可行的。非线性分析方法可能是未来肌电信号等生理信号的发展方向。该方法还可以应用于体力疲劳评价。     

人体HRV信号的检测及其复杂性分析

设计开发了一种便携式心电监测仪器,用于监测人的肢体心电(ECG)信号.根据获得的心电数据,采用小波变换技术进行心电R峰的准确定位,进而得到HRV序列.对HRV信号进行复杂性分析的结果表明:处于健康状态下HRV信号的复杂度(C(N))要高于处于病理状态下HRV信号的复杂度,且近似熵和复杂度的分析结果一致;处于健康状态下HRV信号的近似熵要高于处于病理状态HRV信号的近似熵.     

不同生理状态时脑电时间序列的皮层信息传输

引用一种“信息传输”理论来研究不同生理状态时的脑电时间序列，比较了正常人和在急性缺氧条件下、睡眠条件下及局灶性癫痫病患者的大脑皮层信息传输，发现在各种情况下的大脑皮层信息传输有非常特殊的现象：在急性缺氧时，人的大脑皮层信息传输量各导联均较正常人高；当深睡时，各导联的信息传输量均较正常人低；局灶性癫痫病人痫性导联与其他导联间的皮层信息传输量有明显增加，而非痫性导联信息传输量 对降低，用脑皮层信息传输量来分析在不同生理状态下的脑电信号是一个极有潜力的方法，可能为研究和理解大脑的活动机理提供一条新的途径。     

复杂性测度特征在肺部HRCT图像分析中的应用

研究了分形维和 Lempel- Ziv(LZ)复杂性两类基于视觉复杂性的图像特征在自动区分高分辨率 CT(HRCT)上磨玻璃影 (GGO)与正常区域的表现 .研究样本包括 86个 1 5× 1 5大小的矩形感兴趣区 (ROI) ,其中 44个正常 ,42个 GGO.将从这些 ROI中提取的分形维特征和 LZ复杂性特征作为输入对线性分类器训练并对其分类性能进行评估 .结果表明 ,若将两类特征单独作为分类器的输入 ,相应的 ROC曲线下面积分别为 0 .837和 0 .90 3;当用回代法训练和测试分类器时 ,分别有 75.6%和 79.1 %的 ROI被正确分类 ,而用刀切法时 ,ROI被正确分类的比率相同 .若将两类特征的组合作为分类器输入 ,相应的 ROC曲线下面积提高到 0 .969,而总的分类正确率亦达 91 .9%     

序列复杂性的一类可能定义

利用一组推迟Markov熵作为随机变量,再定义D_t相空间的熵B_D和其Fourier变换■相空间的熵B_v。论证了熵■和B_γ可以作为序列复杂性的一类可能的定义。