基于特征向量法和支持向量机的抑郁症脑电信号分类

目的:从抑郁症患者EEG信号中提取与疾病相关的信息以实现对抑郁症患者与健康人的自动分类.方法:用特征向量法对抑郁症患者与健康人脑电进行特征提取,得到脑电信号功率谱幅度的最大值、最小值、平均值和标准偏差等特征参数,然后用支持向量机分类器进行训练和分类,并进行测试验证.结果:相对于用小波变换提取的频率相关参数作为分类特征,采用本文特征向量法功率谱估计提取的特征参数为分类特征的分类器具有更好的分类效果,其抑郁症患者和健康人脑电信号的分类准确率可以达到95.6%.结论:该研究成果为抑郁症疾病的物理诊断提供了一种新的途径.     

脑卒中后抑郁症静息脑电信号非线性特征提取与分析

目的 探究脑卒中后抑郁症(PSD)患者脑电信号的非线性动力学特征.方法 利用样本熵和LZC复杂度分析的方法对10例健康人和14例脑卒中患者(4例脑卒中后无抑郁症患者及10例脑卒中后抑郁症患者)静息状态下的脑电信号进行复杂度分析.结果 除个别导联(FP1,p4)以外,脑卒中患者组脑电信号的样本熵和LZC复杂度值均小于健康对照组;对于所有导联,脑卒中后抑郁症组脑电信号的样本熵和LZC复杂度值均小于脑卒中后无抑郁症组,并且在导联O1、O2处2参数的差异具有统计学意义(P＜0.05).结论 脑卒中患者相对于健康人表现同步脑电活动增加,且简单有序,其复杂度有所下降;而脑卒中后抑郁症与非抑郁症患者比较前者复杂度下降更为明显,在大脑枕叶尤为突出.本研究有望为脑卒中后抑郁症的辅助诊断提供帮助.     

基于稀疏共空间模式和Fisher判别的单次运动想象脑电信号识别方法

本研究旨在通过对脑电信号的优化特征进行提取和分类以实现单次运动想象的解码。在多通道脑电信号分类识别中,各通道数据以及空间滤波器的数目选择方面往往缺乏有效的特征选取策略。针对此问题,提出了一种结合稀疏思想和贪婪搜索的方法对共空间模式的特征提取进行改进。采用改进后的共空间模式可以有效克服传统方法提取的特征向量空间会存在特征模式重复选取的问题,提取的特征差异更明显。然后采用Fisher线性判别分析对其进行分类。结果表明所提出方法的准确性较传统共空间模式方法提高了19%,利用更少的数据便可以使判别准确率达到最优。本文在脑电信号的特征提取方面取得的研究成果,为实现运动想象脑电信号解码奠定了基础。     

基于小波包和共同空间模型的运动想象脑电信号特征提取算法

脑-机接口(brain-computer interface,BCI)为无法进行交流的人们提供了一种新的交流方式。传统的基于频率特征的脑电信号(electroencephalogram,EEG)特征提取方法只提取每个通道的能量特征,而忽略了不同通道之间的相关性信息。为了获得更好的特征提取结果,本研究采用了基于小波包和共同空间模型(common space pattern, CSP)的脑电信号特征提取方法。首先,在利用小波包对脑电信号分解前,对相关通道和频带进行辨别,提取运动想象脑电μ律和β节律,然后利用CSP算法进行空间滤波提取特征,选取相关节点计算小波包能量,最后通过支持向量机(support vector machine, SVM)将脑电信号分为左右手两种特征。为了验证本研究算法的可行性与有效性,在BCI竞赛数据集上进行了相应的实验,分类结果表明,所提出的特征提取算法能够有效提取运动想象特征,具有较高的分类精度。     

基于去趋势波动分析(DFA)的脑卒中后抑郁症静息脑电特征提取与识别

为考察脑卒中后抑郁症(PSD)患者静息态脑电(EEG)特异性,通过去趋势波动分析(DFA),提取16导联EEG信号波动函数F(s)和区间长度s函数关系在双对数坐标中线性拟合斜率之标度指数α值,作为EEG信号的长程幂函数相关性特征参数.将3类人群(健康正常组10人、脑卒中后无抑郁症组4人、脑卒中后抑郁症组7人)的16导联EEG信号α值作为样本进行独立样本t检验,结果显示,健康人与脑卒中患者在顶叶、颞叶以及枕叶处α值存在显著性差异(P＜0.05);利用支持向量机(SVM)分类器,将EEG信号DFA的α值放入16维特征空间在脑卒中患者组(含抑郁症与无抑郁症)内进行模式识别,可获得最高90.9％的分类正确率,有望为临床PSD提供客观有效的辅助诊断新手段.     

基于异方差混合转移分布模型和支持向量机的脑电分类研究

为解决线性分析和单一非线性动力学指标方法无法准确描述脑电信号的问题,本研究提出基于异方差混合转移分布模型脑电特征提取方法。首先对采集到的脑电信号依据条件期望最大化(ECM)算法建立异方差混合转移分布模型,求得模型条件方差序列的均值及方差作为脑电信号的特征,将得到的脑电信号特征采用支持向量机进行分类。通过对6个人的正常脑电信号和带有眼电伪迹脑电信号进行分类仿真实验,其结果表明该方法能很好地拟合出脑电信号,且分类精确度能达到99.166 7%,说明此方法可有效提取脑电特征并准确识别出眼电伪迹。     

基于改进CSP算法的运动想象脑电信号识别方法

针对想象运动的脑机接口(BCI)系统中,在电极导联数少的情况下存在脑电信号分类准确率降低的问题,提出一种改进共同空间模式(CSP)算法. 通过对事件相关去同步(ERD)/事件相关同步(ERS)生理现象较明显的频段进行滤波, 选取最大特征值对应的表征运动想象脑电信号状态的最优特征向量,进而提出特征向量新的定义方法,同时与支持向量机(SVM)相结合,实现运动想象脑电数据的分类.对于GRAZ大学提供的运动想象脑电数据(Data Ⅲ),想象左手运动脑电信号的识别准确率为98.57%.想象右手运动的脑电识别率为100%.实验结果表明,改进的CSP算法更准确地反映脑电信号的任务状态,有效避免了特征模式的重复选取问题,具有更优的分类性能.     

基于四类运动想象任务的脑电信号识别

背景：脑-机接口是在大脑与外部设备之间建立的直接的交流通路,基于运动想象的脑-机接口研究已经从两类运动想象任务的识别发展到多类任务的识别。 目的：探寻准确有效的对多任务运动想象脑电信号进行特征提取及模式识别的方法。 方法：首先采用公共平均参考法减小多通道中各导联间的相关性,提高脑电信号的信噪比。并对公共空间模式算法进行扩展,采用“一对多”的策略,对4类任务的脑电信号进行特征提取,在模式识别过程中,采用基于决策树法的支持向量机进行分类。对于实验对象样本不充足,结合支持向量机和贝叶斯分类器,将分类结果中具有大概率的测试样本扩充到训练集,最后再次运用支持向量机进行分类。 结果与结论：最佳正确率达到92.78%,“一对多”的公共空间模式和基于决策树的支持向量机可以有效地进行多任务脑电信号识别,扩充样本可以提高分类正确率。     

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。     

基于核函数极限学习机和小波包变换的EEG分类方法

目的为实现运动功能障碍患者的运动意愿,基于脑-机接口(brain-computer interface,BCI)的康复训练技术是近年来的研究热点。脑-机接口的关键技术是快速准确地识别出与运动想象相关的脑电模式。针对脑电信号非平稳及个性化差异等特点,利用小波包理论和核函数极限学习机(extreme learning machine,ELM)方法,提出一种自适应的特征分类方法来提高脑电信号的分类识别率。方法由于小波包存在着频带交错的现象,所以首先利用距离准则将自适应提取的最优小波包的平均能量作为特征向量,并采用核函数ELM方法进行分类。最后利用BCI竞赛数据进行了脑电信号特征分类的仿真研究,并对不同算法的分类识别率进行仿真分析。结果自适应特征分类方法对用于实验的脑电数据的平均分类识别率达到97.6%,对比ELM、神经网络(back propagation,BP)和支持向量机(support vector machine,SVM)分类方法,核函数ELM方法在分类时间和识别精度上效果最佳。结论本文提出的脑电信号分类方法取得了较高的分类识别率,适用于脑电信号的分类应用。     

核共空域子空间分解特征提取算法研究

脑-机接口中特征提取算法是脑电信号处理的关键步骤。提出一种基于核方法的核共空域子空间分解特征提取算法,将用于多通道两类别分类的共空域子空间分解算法推广到核空间。应用新算法对BCI竞赛Ⅱ的数据集Ⅳ进行实验仿真。实验中核函数使用的是线性核函数,求解空域滤波器时,为了减小计算的压力,在原空间对每一个试验的训练数据进行层次聚类,训练的分类器为最近邻分类器,实验的测试集结果为84%,与数据集Ⅳ的竞赛胜利者的分类结果相同。     

Wavelet-based sparse functional linear model with applications to EEGs seizure detection and epilepsy diagnosis

In epilepsy diagnosis or epileptic seizure detection, much effort has been focused on finding effective combination of feature extraction and classification methods. In this paper, we develop a wavelet-based sparse functional linear model for representation of EEG signals. The aim of this modeling approach is to capture discriminative random components of EEG signals using wavelet variances. To achieve this goal, a forward search algorithm is proposed for determination of an appropriate wavelet decomposition level. Two EEG databases from University of Bonn and University of Freiburg are used for illustration of applicability of the proposed method to both epilepsy diagnosis and epileptic seizure detection problems. For this data considered, we show that wavelet-based sparse functional linear model with a simple classifier such as 1-NN classification method leads to higher classification results than those obtained using other complicated methods such as support vector machine. This approach produces a 100 % classification accuracy for various classification tasks using the EEG database from University of Bonn, and outperforms many other state-of-the-art techniques. The proposed classification scheme leads to 99 % overall classification accuracy for the EEG data from University of Freiburg.     

EMD和SVM结合的脑电信号分类方法

脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义。针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法。首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%。     

基于非负CP分解模型的边界规避任务中脑电特征提取方法研究

通过建立"碗-球"模型,执行有视觉引导的边界规避任务,以提高受试者的脑电唤醒度.在与"碗-球"模型交互过程中,采集10名健康被试关于左、右手两类运动任务的脑电数据,通过对脑电的优化特征进行分类,以实现对运动意图的解码.基于边界规避任务诱发的脑电信号进行8～13 Hz带通滤波,获得特定频带的数据,通过连续小波变换获取脑电...     

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60％,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。     

A machine learning framework involving EEG-based functional connectivity to diagnose major depressive disorder (MDD)

Major depressive disorder (MDD), a debilitating mental illness, could cause functional disabilities and could become a social problem. An accurate and early diagnosis for depression could become challenging. This paper proposed a machine learning framework involving EEG-derived synchronization likelihood (SL) features as input data for automatic diagnosis of MDD. It was hypothesized that EEG-based SL features could discriminate MDD patients and healthy controls with an acceptable accuracy better than measures such as interhemispheric coherence and mutual information. In this work, classification models such as support vector machine (SVM), logistic regression (LR) and Naïve Bayesian (NB) were employed to model relationship between the EEG features and the study groups (MDD patient and healthy controls) and ultimately achieved discrimination of study participants. The results indicated that the classification rates were better than chance. More specifically, the study resulted into SVM classification accuracy = 98%, sensitivity = 99.9%, specificity = 95% and f-measure = 0.97; LR classification accuracy = 91.7%, sensitivity = 86.66%, specificity = 96.6% and f-measure = 0.90; NB classification accuracy = 93.6%, sensitivity = 100%, specificity = 87.9% and f-measure = 0.95. In conclusion, SL could be a promising method for diagnosing depression. The findings could be generalized to develop a robust CAD-based tool that may help for clinical purposes.     

基于迁移学习和空洞卷积的癫痫状态识别方法

癫痫患者脑电信号的自动检测和发作诊断对临床治疗癫痫具有重要意义。针对训练数据有限及训练与测试数据分布不一致的难点,采用领域间联合知识迁移学习方法,实现小训练数据量下的癫痫状态识别。首先对脑电信号进行4层小波包分解,提取小波包分解系数作为特征,通过边缘分布和联合分布迭代调整,完成源域和目标域特征之间的知识迁移,训练空洞卷积神经网络作为分类器,完成目标域癫痫状态识别。分别在波士顿儿童医院CHB-MIT脑电数据集(22 例被试,共计790 h)和波恩大学癫痫脑电数据集(5 组,每组100 个片段,每段23.6 s)上进行算法验证,实验结果表明,所提出的方法对复杂癫痫状态的平均识别准确度、敏感性、特异性在CHB-MIT数据集上达到96.8％、96.1％、96.4％;在波恩数据集上,平均识别准确率为96.9%,有效提高了癫痫状态识别综合性能,实现了癫痫发作稳定可靠检测。     

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。     

Cross-correlation of EEG frequency bands and heart rate variability for sleep apnoea classification

Sleep apnoea is a sleep breathing disorder which causes changes in cardiac and neuronal activity and discontinuities in sleep pattern when observed via electrocardiogram (ECG) and electroencephalogram (EEG). Using both statistical analysis and Gaussian discriminative modelling approaches, this paper presents a pilot study of assessing the cross-correlation between EEG frequency bands and heart rate variability (HRV) in normal and sleep apnoea clinical patients. For the study we used EEG (delta, theta, alpha, sigma and beta) and HRV (LF_nu, HF_nu and LF/HF) features from the spectral analysis. The statistical analysis in different sleep stages highlighted that in sleep apnoea patients, the EEG delta, sigma and beta bands exhibited a strong correlation with HRV features. Then the correlation between EEG frequency bands and HRV features were examined for sleep apnoea classification using univariate and multivariate Gaussian models (UGs and MGs). The MG outperformed the UG in the classification. When EEG and HRV features were combined and modelled with MG, we achieved 64% correct classification accuracy, which is 2 or 8% improvement with respect to using only EEG or ECG features. When delta and acceleration coefficients of the EEG features were incorporated, then the overall accuracy improved to 71%.     

SSSEP提升下肢MI-BCI系统性能及其多维脑电特征分析

运动想象脑-机接口(MI-BCI)可解码用户运动意图,为无法自主运动患者提供一种额外交互控制通道,辅助或改善其生活方式。针对现有下肢MI-BCI分类性能较低等关键问题,引入了体感电刺激(ES)用于下肢MI-BCI构建混合范式(MI+ES),并与传统单一范式(MI)对比。共20名年轻健康右利手受试参与实验,5名参与最优诱发频率验证试验,15名参与正式实验。随后采集了参与正式实验的15名受试不同条件下脑电(EEG)数据,应用傅里叶变换(FFT)和事件相关谱扰动(ERSP)算法提取EEG频域响应、时频特征等,并计算alpha(8～14 Hz)、低 beta(15～24 Hz)和高 beta(25～35 Hz)等多频段能量变化。此外,分别探索了MI/(MI+ES)条件、共空间模式(CSP)/基于多频率成分的共空间模式(FBCSP)特征提取方法对下肢MI-BCI系统分类性能的影响。结果表明, 引入体感电刺激策略可诱发明显的SSSEP特征,MI+ES条件分类准确率较单一MI条件有显著性提升(P<0.001),且应用FBCSP方法的系统分类准确率显著优于经典CSP方法(P<0.01):CSP特征提取方法下MI+ES条件的平均分类准确率为70.2%,其中受试S15的分类准确率达84.2%;FBCSP方法下的平均分类准确率为71.7%,受试S15的分类结果达到90%。初步证实了受试在体感电刺激条件下可诱发出明显的SSSEP特征,而且其融合MI可有效提升下肢MI-BCI分类性能,可支撑下肢MI-BCI系统的实用化进程,也为外周神经相关体感刺激调控方法的优化设计提供了新的技术思路。