基于混沌优化算法的多信号分类脑磁图源定位方法

如何利用实验测得的脑磁图数据准确定位脑磁图源的真实活动位置是脑功能研究和临床应用中的一个关键问题.在脑磁活动源定位问题中,多信号分类算法是被广泛研究和采用的一类方法.为了克服多信号分类算法及其改进算法--递归多信号分类算法全局扫描时速度太慢的缺点,提出了一种基于混沌优化算法的脑磁图源定位新方法.该方法利用混沌运动遍历性的特点估计目标函数的全局最大值,进行初步的脑磁图源定位;然后,在小范围内结合网格的方法,进一步进行精确的定位.实验结果表明,此方法可实现多个脑磁图源的定位,并且定位速度大大加快,同时又能达到所要求的定位精度.     

基于粒子群优化算法的脑磁图源定位

脑磁图作为一种新型的脑探测技术,具有较高定位精度和毫秒级时间分辨率的特点。快速准确地利用脑磁图技术对三维空间中的脑神经活动源进行定位,对于脑功能研究和医学临床应用都具有重要的应用价值。可是,目前的脑磁图源定位广泛采用了多信号分类方法,它要求对三维大脑空间进行全局扫描,需要大量的计算,存在速度慢的缺点。针对这一问题,提出了一种基于粒子群优化算法的脑磁图源定位方法。先利用粒子群优化算法全局搜索能力强的特点寻找出目标函数的全局最优值,进行初步的脑磁图源定位;然后,再在小范围内进行小网格的搜索,进一步实现精确的定位。实验结果表明,基于粒子群优化算法的脑磁图源定位能够很好地解决上述问题,具有计算速度快、定位精度高的特点。     

基于独立元分析的脑磁图源定位

在脑磁图源定位问题中,通常感兴趣的是脑内众多神经活动源中的一个或几个,而传统源定位方法,如多信号分类方法,需要将所有源的位置都确定后,通过重组信号波形才能获得所感兴趣源的位置信息。为了提高定位效率,文章作者提出了一种结合独立元分析的脑磁图源定位方法。实验结果表明,该方法能加快定位的速度,同时能够在一定程度上克服噪声的影响,具有更强的抗噪声能力。     

脑磁图神经活动源数目的估计

在脑磁图信号的分析中,正确估计出脑磁图神经活动源的数目是进一步分析脑磁图信号的前提。目前广泛采用的信息论方法和主成分分析方法都是根据特征值来确定源的数目,这两种方法在源数目较多、噪声较强的情况下,会导致误判。该文提出了一种噪声调节自动阈值的脑磁图源数目判断方法,利用基于噪声调节的主成分分析并结合聂曼- 皮尔逊准则对脑磁图源数目进行估计。同时,该方法采用了基于小波的噪声方差估计,实现了脑磁图信号中噪声方差的精确估计。通过对基于信息论方法、主成分分析方法以及该文所提议方法的实验结果的比较,表明该文所提议方法能更准确地估计脑磁图源数目,特别是在源数目较多、信噪比较小的情况下,仍能准确地估计脑磁图源数目,具有较大的实际意义。     

A Multidimensional Data Acquisition as a Preliminary Step to the Secondary Prevention of the Loss of Autonomy for Patients with Traumatic Injury and Stroke: An AMISIA Pilot Study

BackgroundThe aim of our study was to conduct an ad hoc data collection in healthy adults with the intention of extracting individual profiles to study the ability to effectively monitor one's health by extracting relevant indicators. As “each patient is a unique case”, AMISIA (Defi CNRS AUTON project) proposes an integrated approach, combining medical health devices, information technology, and human factors to provide patients, health care actors and family caregivers with both the best incentives and a high degree of monitoring.MethodWe conducted a data collection experiment in Limoges with 61 participants at the Limoges University. Data were biographic elements, socio-economic profiles, cognitive performance (Corsi test results), a psychological battery (anxiety, fatigue, sleep), posture and gait measurement with 4 Imus and a Wii-balance board, and finally physical activity during a week at home (Armband sensors).ResultsFor the Corsi virtual walking test, the median memory span for Group A was significantly less (p<0.001) than for Group B. Step count and active energy expenditure were significantly higher in Group B (p<0.05). A multiple regression analysis showed that gender, active energy expenditure, fatigue and tendency to play video games account for 41% of the memory span variance.ConclusionWe have shown that encouraging physical activity can be based on the knowledge of many parameters, such as weight, age, gender and other bio-psycho-social parameters that must also be included in the model.