基于小波变换的单次诱发电位信号时频分析

比较小波变换和平均叠加两种方法提取“模拟自然阅读”刺激模式下的诱发脑电信号,分析其时频特性,并进行脑功能源分布定位分析。结果显示,采用平均叠加法来提取和分析诱发电位信号,损失了某些重要的诱发电位成分,且其功能源分布定位反映的只是等效功能源的静态过程;而使用小波变换和脑功能源定位来提取和分析单次诱发电位信号,既能观察到丰富的诱发电位成分,又能反映脑功能源的实时动态活动过程。这表明,小波变换下的时频分析是脑电信号处理的一种可行的新方法。     

多通道脑电信号的盲分离

提出一种新的多通道脑电信号盲分离的方法,将小波变换和独立分量分析(independent component analysis,ICA)相结合,利用小波变换的滤噪作用,将混合在原始脑电的部分高频噪声滤除后,再重构原始脑电作为ICA的输入信号,有效地克服了现有ICA算法不能区分噪声的缺陷。实验结果表明,该方法对多通道脑电的盲分离是很有效的。     

睡眠剥夺对脑电活动相位相干性的影响研究

将小波变换和相位相干分析应用到事件相关电位实验的脑电信号中。在正常状态和一夜睡眠剥夺状态下提取12名受试者的视觉ERP,进行30～60Hz的小波变换,以此计算前额叶区域的导联内相位相干,以及枕叶和前额叶之间的相位相干性。发现睡眠剥夺引起前额叶的导联内相位相干活动减少和延迟,表明大脑维持完成任务的能力下降;枕叶与前额叶之间的gamma波段相位相干活动减少,表明功能区域之间的电活动传递效应减弱。基于小波变换的相位相干分析可以得到脑电的同步活动,为更好地理解睡眠的机制和评价睡眠剥夺对认知的影响提供了一条思路。     

小波分析在生态环境研究中的应用初探

小波分析(Wavelet Analysis)是时间-频率分析领域近年来迅速发展的一种新技术,具有多时间尺度,多层次和多分辨的特性,已被广泛地应用在信号分析、信息分析和地球科学研究上.本文以大亚湾大鹏澳水域2002年春秋两季浮游植物30d连续观测资料为例,首次运用小波技术分析浮游植物对生境变化的响应特征.结果表明,通过小波变换的浮游植物数量(细胞密度)的时间序列,存在各自的优势周期和多时间尺度结构特征,而春秋两季浮游植物细胞密度的优势周期和多时间尺度结构,在大尺度上大致相同,但在小尺度结构上稍有差别;使用不同小波变换(如Mexh小波变换和Morlet小波变换)可以取得各自不同特点的结果.本文对小波分析技术在生态环境研究的初步应用说明,小波分析技术可以对生态系统中浮游植物的动态变化进行多时间尺度,多层次和多分辨的分析,为深入研究和预测浮游植物的动态变化提供一种新的分析手段.     

线性时频分析在ECG信号分析中的应用

目的:心电信号(Electrocardio-signal,ECG)是人体中最重要的生物信号之一,是一种具有非平稳性和非线性特性的信号.分析ECG信号是诊断心脏疾病的有利工具,近年来国内外很多学者致力于这方面的研究.本文探讨短时Fourier变换(STFT)和离散小波变换(DWT)这两种时频分析方法在ECG信号分析中的应用.方法:本文采用麻省理工学院的MIT-BIH数据库中提供的数据,运用MATLAB软件编程,讨论短时Fourier变换和离散小波变换在ECG信号分析中的应用.结果:通过编程,做出了正常ECG信号和失常ECG信号的短时Fourier变换的时域图和频谱图以及正常ECG信号和失常ECG信号的单级离散小波变换的结果.结论:正常ECG信号和失常ECG信号的STFT变换的时域图和频谱图都能反应出信号的频率和时间的变化关系.但是,正常信号和失常信号的频率和时间有明显不同,正常信号的能量随时间和频率的变化关系有序整齐,而且周围有较少的杂波;失常信号的能量随时间和频率的变化关系杂乱,而且周围存在较多的杂波.通过离散小波变化后,正常信号和失常信号均产生了不同的离散小波系数,根据不同的离散小波系数,可以很容易判断正常信号和失常信号的区别.     

基于小波变换心电信号消噪方法研究

小波变换是近年来兴起的热门信号处理技术,是一种非常有用的信号处理工具。本文阐述了连续小波去噪和离散小波去噪的原理,分析了基于小波去噪的几种不同方法（其中包括小波分解与重构,小波变换阈值法,小波变换模极大值法,以及它与独立分量分析相结合去除噪声的方法等）。通过检测和验证,表明该方法能较好的实现心电信号的消噪,都取得了较好的效果;同时,比较了每种方法的不足和缺陷。基于小波变换心电信号消噪的研究进展较快,通过多种方法结合运用进行消噪并取得了很好的效果,展望了利用基于小波变换心电信号消噪的前景。     

应用小波变换提取ERP的P3波

本文首次以平均ＥＲＰ和单次ＥＲＰ小波变换系数相关性为基础,设计了小波时频滤波器,可以将单次事件关联电位的Ｐ３波从眼动、自发脑电等干扰中提取出来     

应用小波熵分析大鼠脑电信号的动态变化特性

应用小波熵（一种新的信号复杂度测量方法）分析大鼠在不同生理状态下脑电复杂度的动态时变特性。采用慢性埋植电极记录自由活动大鼠的皮层EEG,使用多分辨率小波变换将EEG信号分解为δ、θ、α和β四个分量,求得随时间变化的小波熵。结果表明：在清醒、慢波睡眠和快动眼睡眠三种生理状态下,EEG的小波熵之间存在显著差别,并且在不同时期其值与各个分解分量之间具有不同的关系,其中,慢波睡眠期小波熵还具有较明显的变化节律,反映了EEG微状态中慢波和纺锤波的互补性。由此可见,小波熵既能区别长时间段EEG复杂度之间的差别,又能反映EEG微状态的快速变化特性。     

基于小波分析的医学图像的处理

医学图像的好坏直接影响着医生对病情的诊断和治疗,因此利用数字图像处理等技术对医学图像进行有效的处理,已成为医学图像处理研究和开发的一大热点.小波分析是对傅立叶变换的继承和发展,在医学影像领域有着广阔的应用前景.介绍了二维离散小波变换的一般形式,在图像分解的基础上,利用小波分析对医学图像进行去噪和增强处理,能够有效的改善图像质量,有利于医生对病情的诊断和治疗.     

小波变换与生物医学信号处理

作为数字信号处理领域的一个重要分支,生物医学信号处理理论与技术的研究一直受到国内外科技工作者的高度重视。小波变换是近年来发展起来的一种新的信号分析工具。本文结合生物医学信号与小波变换的特点,探讨了小波变换在生物医学信号处理领域的应用前景。     

基于时频分析检测EEG中癫痫样棘/尖波的方法

提出了一种基于Ｃｈｏｉ－Ｗｉｌｌｉａｍｓ分布检测ＥＥＧ中癫痫样棘波／尖波的方法。该方法通过计算ＥＥＧ信号的时频分布,得到一段信号在各个时刻上沿频率方向上的能量分布。这种能量分布相当于一种瞬时频谱,反映了ＥＥＧ信号在局部时间范围里的波形特征。以一段ＥＥＧ信号在各个时刻的瞬时频谱的平均作为这段脑电的背景信号频谱,通过计算每一时刻的瞬时频谱与背景信号频谱之间的频谱差,检测这段信号中的棘波／尖波。对临床Ｅ     

Dynamics of local maxima chains in spectra of human electroencephalogram

The continuous wavelet transform was applied to the human EEG signals recorded in different states of brain activity. The dynamics of local maxima chains in the matrices of the continuous wavelet transform coefficients was studied. The typologization method was developed for local maxima chains to separate by their drift in the frequency space as well as by dynamics of their signal “energy.” The method proved to be highly informative. It was shown that it was highly sensitive to a selection of one of two responses to the test question. It is determined that local maxima chains in most cases are gradually increasing and decreasing in the frequency space and by changes in the values of their continuous wavelet transform coefficients. The functional asymmetry in local maxima chains types’ distribution is determined. The results obtained allow us to consider the types of the local maxima chains dynamics as a new phenomenon of EEG activity.     

基于EMD的左右手运动想象脑电信号分析研究

基于经验模态分解（EMD）理论,提出一种左右手运动想象脑电信号分析方法。首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声。对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值。再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机（SVM）和Fisher进行了分类比较。对EMD和小波包在去噪和特征提取进行了比较。结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高。     

Increase of slow periodic modulation of EEG in a patient with Alzheimer's disease.

The recently described slow oscillations of amplitude of theta and alpha waves of the EEG (with a frequency below 0.08 Hz) in healthy subjects are attributed to the autonomic nervous system with control at the brain stem level. In the present pilot study, the slow brain rhythms were analyzed in a patient with Alzheimer's disease and were compared to a healthy subject. Dynamic analysis of the EEG was performed using time-frequency mapping which gives simultaneous time and frequency representation of the brain signal. This method comprises a transform of the filtered EEG signal into its analytic form and application of the Wigner distribution modified by time and frequency smoothing. It has been shown that the envelope of both theta and alpha activities oscillates at 0.04 Hz and 0.07 Hz in the healthy subject and at 0.03 Hz and 0.06 Hz in a patient with Alzheimer's disease. The amplitude of the slow oscillations of theta activity was substantially higher in the patient with Alzheimer's disease as compared with the healthy subject. It is being proposed that the increase of slow brain rhythms in the patient with Alzheimer's disease reflects an abnormal activity of the autonomic nervous system. However, the underlying pathophysiological mechanisms need to be further studied.     

脑电生物反馈系统的研制和脑电α成分反馈的研究

本文介绍了我们研制的微机化脑电反馈系统.并报告了我们所进行的正常人脑电α成分生物反馈训练实验,证明了脑电生物反馈提升α成分比例的可行性.本文还论讨了国际上现行关于脑电α成分生物反馈研究中存在的问题,提出了有效的解决方法.     

EEG无损压缩技术的研究

本文提出一种基于改进的ＤＭ编码和自适应二值算术编码的ＥＥＧ无损压缩技术;首先对数据进行ＤＭ编码,然后再通过适当数据格式的转换以消除各个字节的“冗余比特位”,同时整个数据基于比特位的熵值也因此降低;在此基础上,再对结果进行二值算术编码输出最终的压缩结果,经实践表明,该技术的压缩性能明显优越于常规的无损压缩算法,并且整个过程实现简单,实时性好。     

阿达玛变换显微图象法测定乳腺癌DNA含量

以吖啶橙为细胞DNA荧光探针,用阿达玛(Hadamard)变换显微图象分析仪和显微荧光光度计分别测定了4例乳腺肿瘤的细胞DNA含量(倍性),并对分析结果进行了比较,二者的分析结果均与病理学诊断结论相吻合.阿达玛变换显微图象分析仪作为一种新的细胞定量分析仪器,其分析结果的准确度可与显微荧光光度计相媲美,而且阿达玛变换显微图象分析仪还具有其独特的优点,如信噪比高、具有同时分析多个细胞和同步扣除背景信号的能力等.     

Classification of Motor Imagery EEG Based on Time-Domain and Frequency-Domain Dual-Stream Convolutional Neural Network

Background and objectiveAn important task of the brain-computer interface (BCI) of motor imagery is to extract effective time-domain features, frequency-domain features or time-frequency domain features from the raw electroencephalogram (EEG) signals for classification of motor imagery. However, choosing an appropriate method to combine time domain and frequency domain features to improve the performance of motor imagery recognition is still a research hotspot.MethodsIn order to fully extract and utilize the time-domain and frequency-domain features of EEG in classification tasks, this paper proposed a novel dual-stream convolutional neural network (DCNN), which can use time domain signal and frequency domain signal as the inputs, and the extracted time-domain features and frequency-domain features are fused by linear weighting for classification training. Furthermore, the weight can be learned by the DCNN automatically.ResultsThe experiments based on BCI competition II dataset III and BCI competition IV dataset 2a showed that the model proposed by this study has better performance than other conventional methods. The model used time-frequency signal as the inputs had better performance than the model only used time-domain signals or frequency-domain signals. The accuracy of classification was improved for each subject compared with the models only used one signals as the inputs.ConclusionsFurther analysis shown that the fusion weight of different subject is specifically, adjusting the weight coefficient automatically is helpful to improve the classification accuracy.