不同麻醉深度下大鼠脑电复杂度和功率谱的变化过程

本研究计算和分析了大鼠在逐渐加深的Urethane麻醉过程中脑电信号的算法复杂度、近似熵、功率值和功率谱重心频率的变化特征。结果表明：随着麻醉程度的加深，皮层脑电中同步波的两种复杂度值逐渐减小，同步波高频段功率也逐渐减少，使得功率谱重心频率向低频方向迁移；去同步波则在深度麻醉状态下不再出现，说明中脑网状结构的激励已消失。另外，脑电信号的算法复杂度和近似熵的计算结果有很好的一致性。     

α频率光刺激脑电信号同步化的初步研究

研究α频率(8～13Hz)闪光刺激是否能引起人脑枕区同频率脑电信号的增加.采集15名正常志愿者在平静、光刺激状态下的脑电信号,利用脑地形图、小波分析和功率谱估计的方法对α频率光刺激前后的脑电信号进行处理,将归一化后的数据分为平静-激活组、男女对照组、两个不同电极位置组进行对比分析,对组间信号的差异进行了讨论,并对受试者精神状态的变化进行初步探讨.结果表明:周期性α频率光刺激能引起大脑枕区同频率脑电的显著增加.通过分析实验数据,初步得到了大脑在外部闪光刺激时脑电的变化规律,本实验结果对研究外部刺激对脑电的影响有一定的参考价值.     

驾驶疲劳脑电信号节律的特征分析

分别提取驾驶员在驾驶过程中脑电(EEG)信号的δ、θ、α和β节律,并对其相对功率谱、功率谱熵和脑电地形图进行分析,研究疲劳驾驶时的EEG特性。分析结果显示:在驾驶过程中,随着疲劳的加深,EEG信号的δ和θ节律的相对功率谱的平均值逐渐增强,而α和β节律的相对功率谱的平均值逐渐减弱,在疲劳程度很深时,δ、θ和α节律的相对功率谱的平均值都会增强。4个节律的功率谱熵的平均值都是随着疲劳程度的加深而逐渐减弱。EEG信号各节律的相对功率谱和功率谱熵的平均值可以成为驾驶疲劳检测的指标。     

全身麻醉过程中的脑电信号复杂度分析

目的:研究全身麻醉过程中脑电信号的复杂度变化规律,寻找适用于临床手术的麻醉深度检测方法.方法:10名手术病人采用靶控输注异丙酚实现全身麻醉,对所有患者全身麻醉过程进行脑电信号监测,采用Lempel-Ziv复杂度C(n)对脑电信号进行复杂度分析.结果:脑电复杂度C(n)在麻醉前清醒状态下最高,麻醉诱导后迅速降低,在麻醉维持期保持相对稳定的较低数值,在复苏期逐渐升高.结论:Lempel-Ziv复杂度C(n)算法简单,对瞬态噪声有抗干扰能力.脑电复杂度分析能灵敏地反映麻醉深度变化,可用于实时检测全麻过程中的脑电活动.     

α频率光刺激脑电信号同步化的初步研究

研究α频率（8-13Hz）闪光刺激是否能引起人脑枕区同频率脑电信号的增加。采集15名正常志愿者在平静、光刺激状态下的脑电信号,利用脑地形图、小波分析和功率谱估计的方法对α频率光刺激前后的脑电信号进行处理,将归一化后的数据分为平静-激活组、男女对照组、两个不同电极位置组进行对比分析,对组间信号的差异进行了讨论,并对受试者精神状态的变化进行初步探讨。结果表明：周期性α频率光刺激能引起大脑枕区同频率脑电的显著增加。通过分析实验数据,初步得到了大脑在外部闪光刺激时脑电的变化规律,本实验结果对研究外部刺激对脑电的影响有一定的参考价值。     

基于不同闪烁频率光刺激的脑电压变化研究

目的：脑电信号是大量神经元电活动在大脑头皮表面产生的电位总和,可综合反映大脑内部功能状态和活跃程度。当人体受到外界刺激时,神经系统产生一系列复杂的生物电活动,最终反映为脑电信号。本文使用不同闪烁频率光为刺激源,对光刺激前后脑电信号时域和频域的变化特性进行分析,为利用外刺激调制脑电频率提供新的实验依据。方法：使用同一光源,分别改变其闪烁频率对受试者眼睛进行刺激,利用脑立方移动版采集不同闪烁频率光刺激下的脑电信号,记录并分析脑电信号电位幅值,及其成份δ波（1 Hz~3 Hz）、θ波（4 Hz~7 Hz）、α波（8 Hz~13 Hz）和β波（14Hz~30Hz）能量的变化情况。结果：随着光闪烁频率的增高,脑电压幅度均值和各频段能量先逐渐增大后减小,脑电幅值和各频段能量均在光闪烁频率为5 Hz时达到最大。结论：不同闪烁频率光刺激对脑电压的变化具有显著性影响：在一定阈值之下,脑电压与光闪烁频率变化一致;超过阈值后,趋势相反。该结论有助于探索脑电信号在外刺激作用下的变化规律,为利用外刺激治疗脑部疾病的方式提供了参考价值。     

基于幅频联合分析法对肌肉疲劳状态下表面肌电信号时、频域变化规律的研究

目的:通过对肌肉疲劳状态下表面肌电信号(sEMG)的提取,利用幅频联合分析的方法探讨sEMG作为肌肉生理特征信号在疲劳发生过程中的变化规律。方法:5名健康男性左右手臂分别进行一次实验,实验过程中,手臂自然下垂,前臂抬起至水平,与上臂成90°角,前臂上悬挂重量为5 Kg的重物,使肌肉等长收缩8 min,采用英国BIOPAC公司生产的MP150及其肌电采集模块同步记录肌肉的表面肌电信号,使用The MathWorks公司的MATLAB7.0软件,在信号3min、5 min、7 min后各取20 s进行幅频联合分析。结果:sEMG随着肌肉疲劳状态的加剧,信号幅值平均值明显增大,功率谱密度发生变化,平均功率频率(MPF)、中位频率(MF)明显减小。结论:表面肌电信号的幅频联合分析法为进一步深入研究肌肉疲劳状态下表面肌电信号的变化提供了方法支撑和理论依据。     

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。     

稳态视觉诱发脑机接口特征提取方法的研究

目的为有效提取稳态视觉诱发脑机接口(SSVEP-based brain-computer interface)中的脑电特征,提出一种基于独立成分分析(independent component analysis,ICA)与希尔伯特黄变换(HilbertHuang transform,HHT)的特征提取方法。方法对采集得到的脑电信号进行带通滤波,得到预处理的脑电信号,将滤波后的脑电信号作为ICA的输入,经过ICA实现独立成分的快速获取。引入HHT对独立成分进行经验模态分解(EMD),分解获取固有模态函数(intrinsic mode function,IMF),通过对IMF的频域分析,即可提取出特征。将ICA和HHT法同WT法、ICA法以及HHT法等常用的特征提取方法在频域、功率谱估计、在时间消耗等多方面进行比对分析。结果频域分析和功率谱估计中,本文提出的方法明显优于WT法和ICA法,略优于HHT法。时间消耗方面,本文提出的方法略优于HHT法。结论基于ICA和HHT的特征提取方法在稳态视觉诱发脑机接口的特征提取中是可行的,并有效去除了脑电信号中的噪声。     

脑电信号分析在麻醉监测中的研究进展

目前,临床上迫切需要一种能保证高质量麻醉的麻醉监护技术.脑电信号(EEG)分析在麻醉镇静深度监测方面具有明显的作用.系统地介绍几种脑电信号分析方法,如双谱、听觉诱发电位、脑功能状态、脑电熵、麻醉趋势和脑电非线性分析等指数;并分析了这些脑电分析方法在麻醉镇静深度监测中的局限性,提出了今后的研究方向.     

基于功率谱峰值及时变线性分类算法的运动意识分类

背景:脑电信号的特征提取是脑机接口系统中一个重要的环节,如何快速有效地提取反映大脑意识任务状态的脑电特征是进行分类、正确解读意识任务的关键。目前,提取脑电信号特征通常采用功率谱密度估计、自回归模型和小波变换等方法,这些特征都是以脑电信号的线性化为前提,上述方法不能很好地反映出大脑的非线性动力学性质。目的:分析脑电信号功率谱峰值在识别左右手想象运动中的作用。方法:采用脑机接口2003竞赛中Graz科技大学提供的脑电数据,用小波包分解获取8～24Hz脑电信号,计算C3,C4电极脑电信号的功率谱峰值作为脑电特征向量,运用时变线性分类算法对运动意识任务运行分类。结果与结论:对140次实验的测试样本进行数据分析,最大分类正确率可达89.29%,最大互信息和信噪比分别为0.6269bit和1.3848。C3,C4电极8～24Hz脑电信号功率谱峰值能很好地反映左右手运动想象脑电特征的变化,与事件相关去同步/事件相关同步现象变化一致,可在线识别左右手想象运动。     

低频光刺激在浅睡期的脑电响应

目的人的睡眠是有节律的,浅睡眠和深睡眠反复交替进行,分析浅睡期脑电波的变化对研究睡眠效率和睡眠质量至关重要。本文通过分析低频光刺激下睡眠过程中脑电波的变化,研究人在浅睡期脑电波对光刺激的响应,进而探讨外部光刺激对睡眠过程中脑电波的影响。方法利用美国Neuroscan型脑电图仪采集10例志愿者的光刺激睡眠和正常睡眠的脑电数据。首先,利用时频分析对睡眠过程中的脑电信号进行分期,获得浅睡期脑电信号,然后对分期后的脑电信号做傅里叶变换,获得各频段脑电波,并求其能量。最后比较并分析了志愿者在光刺激(5 Hz)和正常睡眠下浅睡期的脑电信号能量。结果在低频光刺激下,浅睡期脑电波的波能量明显高于正常睡眠,尤其在中央区和顶区增加明显。结论在光刺激下大脑皮质以更平稳的方式进入抑制状态,有助于更好地进入深睡期。     

运动想象脑电多视角深度森林解码算法

针对运动想象脑电信号特征提取操作繁琐及解码精度低等问题,提出一种基于多视角深度森林的运动想象脑电解码算法。首先,通过子频带滤波及时间窗口划分对原始信号进行细粒度分析,生成空时频能量特征。然后,对上述空时频能量特征分别进行稀疏选择和时序扫描得到重要的浅层能量特征及多示例先验类别特征。继而,将上述两类特征进行融合构建运动想象脑电多视角特征集。最后,利用级联森林的逐层特征变换挖掘深层次的抽象特征进行脑电解码。根据脑机接口竞赛数据和自行采集的数据进行算法测试,并与单视角特征模型、传统共空间模式方法以及深度神经网络算法进行对比。在2个脑机接口竞赛数据集和1个真实数据集上分别取得了91.4%、75.2%和70.7%的最高平均分类准确率,结果表明该文所提多视角深度森林算法具有更优的分类识别准确率。     

基于多域脑电参数分析的麻醉深度评估

提出一种结合随机森林模型的输出和脑电参数共同评估麻醉深度的方法,以提高评估麻醉深度的可靠性。首先通过滤波方式处理脑电信号,然后把信号分割成等长的多段,从每段中提取非线性域、频域、时域的10种参数,得到脑电参数-BIS值数据集;然后建立评估麻醉深度的随机森林回归模型,并在这些脑电参数中筛选出用于辅助模型评估的参数;最后在测试集上验证模型和参数的效果。该模型在测试集上的估计值与真实值之间存在很好的一致性和相关性（Pearson相关性=0.975）,筛选出的参数在测试集上也达到了82.3%的总准确率,表明该方法在评估麻醉深度方面具有较好的应用价值。     

基于能量特征和模糊熵的睡眠自动分期

目的:为实现有效睡眠自动分期,提出一种基于脑电能量特征和模糊熵的睡眠分期方法。方法:首先利用小波变换进行脑电信号去噪,再利用FIR带通滤波器提取脑电信号的特征波,获得能量特征,并提取脑电信号的模糊熵,最后利用支持向量机进行模式识别。结果:能量特征值和模糊熵值随着睡眠状态的变化而不同,睡眠各期可以根据特征值的不同而得到有效区分,通过对1 140个脑电信号样本进行睡眠分期,得到的平均准确率为88.45%。结论:基于脑电能量特征和模糊熵的睡眠分期方法简单、有效,具有良好的临床应用价值。     

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.     

TMS线圈与EEG电极线相对位置对TMS-EEG信号的影响

通过分析经颅磁刺激线圈放电时的电场分布,探索磁刺激输出脉冲对脑电采集帽产生的伪迹信号来源。我们通过建立八字线圈感应电场分布的半无界空间数学模型,获得八字线圈感应电场的分布特性,分析磁刺激影响脑电采集回路的两种影响因素,我们用matlab软件仿真刺激线圈与脑电极线成不同角度、不同距离时产生的伪迹信号的变化趋势,通过模型试验和人体实验验证这种趋势的准确性;结果显示,脑电导线重合于线圈长轴,产生脑电伪迹最小,当线圈转动其他角度或当线圈下移时伪迹会逐渐增大,最大伪迹幅值是最小伪迹幅值的约10倍。在TMS-EEG试验中,伪迹信号的幅值、持续时间与线圈摆放位置、角度有关。通过实验前合理排布脑电极线可降低伪迹信号幅值、持续时间等参数,提高磁刺激下脑电信号特征信号提取的准确性。     

儿童失神癫(癎)脑电图的多尺度特征

目的:研究儿童失神癫癎脑电图的多尺度定量特征。方法:对15例失神癫癎患儿10次临床发作和20次亚临床癎样放电的脑电图进行子波分析,提取失神癫癎发作过程中脑电信号的多尺度定量典型特征,与发作前10 s及发作后10 s的脑电信号进行比较,并与12例正常同龄儿童脑电图进行比较。结果:研究显示儿童失神癫癎发作过程中脑电信号的多尺度典型特征主要表现为12尺度(对应频率3 Hz)的节律性活动显著增强,发作时20尺度(低频大尺度,对应频率0．12 Hz)结构与频率3 Hz的结构具有非正常的跳跃式尺度关系,3 Hz节律性棘慢复合波与大尺度(频率1 Hz以下)背景低频放电结构共同存在。发作过程中分尺度功率主要集中在20尺度和12尺度,其演变规律为20尺度能量逐渐减低,12尺度能量逐渐增加。10次临床发作的脑电信号均显示上述特征。发作前10 s和后10 s的脑电多尺度信号中仍然存在隐性的3 Hz棘慢复合波成分,与一般认为3 Hz棘慢复合波突起突止不同．而从传统的脑电图上无法分辨出发作前后的这些多尺度细节的定量特征。亚临床癎样放电的多尺度特征与发作期无明显差别,但持续时间短。结论:子波分析作为一种新的信号分析方法,适合于脑电信号的分析,可以获得比传统视觉脑电图更多的定量信息。通过对失神癫癎患儿的脑电信号进行子波分析,得到其发作过程中典型的多尺度定量特征,有助于失神癫癎发作的临床辅助诊断、预后评价以及神经电生理机理的基础研究。     

基于无线体域网和复合生理信号近似熵的驾驶疲劳研究

为有效合理地评价驾驶员在驾驶过程中的疲劳程度,通过无线体域网(WBAN)采集12名被试者的3种生理信号(脑电信号、肌电信号、呼吸信号),提取并分析这些生理信号的近似熵在驾驶过程中对疲劳程度的反映效果。试验结果表明,脑电、肌电、呼吸3种信号的近似熵均随时间的增加而逐渐下降,约90 min后下降程度变缓,表明进入比较疲劳状态。通过主成分分析可知,前两个主成分的贡献率分别为47.33%和40.26%,二者之和大于85%,其中脑电信号和肌电信号的近似熵所占权重较大。而且统计分析表明,脑电信号和肌电信号的近似熵显著性P＜0.05,表明脑电信号和肌电信号在表征正常与疲劳两种状态时差异明显。在此基础上,分析信号组合对驾驶疲劳的反映效果,结果表明在脑电肌电信号的近似熵组合时,正常和疲劳状态的概率分布具有明显的界限,可以有效反映驾驶过程中的疲劳状态。通过研究,获得最佳的反映疲劳驾驶的信号组合,可为更加准确地检测和避免疲劳驾驶提供理论依据。     

基于深度收缩自编码网络的飞行员疲劳状态识别

针对飞行员疲劳状态识别的复杂性,本文基于脑电信号提出一种新的深度学习模型。一方面,利用小波包变换对飞行员脑电信号进行多尺度分解,提取了脑电信号的四个节律波段:δ波(0.4~3 Hz)、θ波(4~7 Hz)、α波(8~13 Hz)和β波(14~30 Hz),将重组的波段信号作为纯净的脑电信号。另一方面,提出一种基于深度收缩自编码网络的飞行员疲劳状态识别模型,并与其他方法进行比较。实验结果显示,针对飞行员疲劳状态识别问题,所建立的新的深度学习模型具有很好的识别效果,识别准确率高达91.67%。因此,研究基于深度收缩自编码网络的飞行员疲劳状态识别具有重要意义。