脑电图复杂度分析中的粗粒化问题II.量化对复杂度计算的影响

在对生物医学信号时间序列进行复杂度分析时,粗粒化预处理有可能会造成丢失原始信号中所蕴含的信息,甚至在某些情况下根本改变原信号的动力学性质.用计算机计算时的量化过程也是一种粗粒化,因此也有这类问题.通过对近似熵和我们所定义的C0复杂度这两种复杂度在不同量化精度下对一些典型时间序列复杂度分析的比较研究,发现一般说来量化精度对复杂度分析的影响不是很大,仅当对原始信号进行二值化等极端情况下,才会显著改变原信号的复杂性.对脑电信号进行计算表明上述结论是实际可取的.     

脑电图复杂度分析中的粗粒化问题 I.过分粗粒化和三种复杂度的比较

在对生物医学信号时间序列进行复杂度分析时,往往需要首先对原始信号进行粗粒化预处理。这种预处理有可能会造成丢失原始信号中所蕴含的信息,甚至在某些情况下根本改变原信号的动力学性质。本文提出了克服这一问题的一些途径,通过对若干种复杂度定义的比较研究,建议采用近似熵和我们所定义的Ｃ０复杂度作为复杂性度量。并以脑电的复杂性分析为例作了说明。     

局限性癫痫脑电时间序列的三种复杂度计算比较

为探索非线性动力学复杂性测度诊断癫痫病的新方法,对局限性癫痫病患者脑电时间序列进行了三种复杂度（Ｋｃ、Ｃ１、Ｃ２）的计算比较。观察到,痫性导联脑电的三种复杂度多低于对侧导联的值;复杂度Ｋｃ的相对变化量较Ｃ１和Ｃ２大;复杂度Ｋｃ和Ｃ１的变化趋势相似,而复杂度Ｃ２的变化趋势与复杂度Ｋｃ和Ｃ１的规律不尽相同;但正常人ＥＥＧ信号的复杂度没有这种显著变化。结果提示,脑电复杂性测度有可能成为诊断癫痫的特征参数,值得进一步深入研究。     

局灶性脑缺血损伤无创检测中EEG近似熵研究

局灶性脑缺血的早期无创诊断在临床实际中有着非常重要的意义。采用SD（Sparague-Dawley)大鼠建立了局灶性脑缺血的动物实验模型,记录了缺血前后缺血区域和正常区域的脑电信号EEG。由于近似熵复杂度算法所需时间序列长度较短,大大减少了脑电信号非平稳所带来的困难,且无需粗粒化,采用近似熵对局灶性缺血动物实验模型的脑电信号的复杂度进行了分析。结果发现缺血前后缺血与非缺血区域的近似熵均有着易于区分的特征,因此EEG信号的近似熵分析可以用于对局灶性缺血的脑损伤程度进行诊断,并区分损伤区域和非损伤区域,有望在临床中加以应用。     

一种改进的近似熵——样品熵及其在颞叶癫痫患者脑电信号分析中的应用

采用了近似熵(approximately entropy,ApEn)和它的改进算法,即样品熵(sample entropy,SampEn)分析了8位颞叶癫痫患者和10位健康人员的短程脑电信号。在计算过程中使用了两种滑动窗口和5个不同的过滤标准r。结果显示颞叶癫痫患者组脑电信号的熵值显著低于健康组,而且患者癫痫病灶所在的脑半球的复杂度远远小于非癫痫病灶的脑半球。小的滑动窗口能更多地反映与癫痫发作相关的细节。对于1秒的滑动窗口,过滤标准r不能小于时间序列标准差的0．15％;而对于4秒的滑动窗口,则过滤标准r不能小于时间序列标准差的10％。研究结果表明,在短程脑电信号的非线性分析中,样品熵是一种比近似熵更为可靠的非线性分析方法。颞叶癫痫患者脑电信号的熵值低于健康人员,这可能表明脑电活动的非线性程度的降低是由于神经信号在大脑内的传递受到了阻碍或者损坏,使得神经信号成了相对孤立的信息源。     

基于大脑皮层信息传输的脑电信息图示方法

提出一种基于大脑皮层信息传输的脑电地形图示方法—脑电信息图（Ｂｒａｉｎ ＩｎｆｏｒｍａｔｉｏｎＭａｐｐｉｎｇ － ＢＩＭ） 。其原理是从不同导联电极上采集脑电信号经相空间重建构成头皮电位信息传输矩阵, 将各导联信息传输时间序列的信息传输量和复杂度数据绘制成头皮拓扑分布图, 以直观地反映脑电信息传输分布模式在不同时相中的变化进程。该方法不仅是从新的角度观察大脑功能变化, 而且可克服传统的脑电频谱分段地形图不能表达长程脑电模式变化的不足。对局限性癫痫病患者的试用表明,脑电信息图能较好地反映癫痫发作前后的信息传输动向和复杂度（Ｋｃ 、Ｃ１ 、Ｃ２） 的变化趋势。结果提示,脑电信息图（ＢＩＭ） 有可能成为一种新的观察大脑功能活动的图示诊断方法,值得进一步深入研究。     

脑电图复杂度分析中的粗粒化问题II.量化对复杂度计算的影响

在对生物医学信号时间序列进行复杂度分析时,粗粒化预处理有可能会造成丢失原始信号中所蕴含的信息,甚至在某些情况下根本改变原信号的动力学性质。用计算机计算时的量化过程也是一种粗粒化,民有这类问题。通过对近似熵和我们所定义的Ｃ０复杂度这两种复杂度在不同量化精度下对一些典型时间序列复杂度分析的比较研究,发现一秀说来量化精度对复杂度分析的影响不是很大,仅当时原始信号进行二值比等极端情况下,才会显著改变原信号     

基于替代数据思想的复杂度归一化方法及其在心电信号分析中的应用

基于替代数据(Surrogate)思想的复杂度归一化方法,克服了一般复杂度对信号采样长度与采样频率的敏感性。文章对在生物医学信号复杂度分析中最有潜在应用价值的近似熵和C0复杂度进行了归一化。应用该方法可以有效地反映人体心脏某些病理状态之间的差别。同时,通过比较各种复杂度指标发现,C0复杂度和近似熵对采样长度的敏感性最弱,适用于短数据量的信号分析。     

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。     

利用参数模型提取诱发脑电（EP）及其在40Hz EEG和EP间关联研究中的应用

提出一种基于参数模型的信号处理方法,用于诱发脑电（ＥＰ）的提取,这种方法可以得到单次ＥＰ波形的无偏、最小方差估计。用刺激强度实验验证了该方法在实际情况下的有效,进一步将其应用于刺激前ＥＥＧ与ＥＰ的关联研究,得到了刺激前４０Ｈｚ的ＥＥＧ成分与晚潜伏期听觉诱发脑电幅度有极显著负相关的结果,表明刺激前及状态确定对ＥＰ有影响。     

An empirical EEG analysis in brain death diagnosis for adults

Electroencephalogram (EEG) is often used in the confirmatory test for brain death diagnosis in clinical practice. Because EEG recording and monitoring is relatively safe for the patients in deep coma, it is believed to be valuable for either reducing the risk of brain death diagnosis (while comparing other tests such as the apnea) or preventing mistaken diagnosis. The objective of this paper is to study several statistical methods for quantitative EEG analysis in order to help bedside or ambulatory monitoring or diagnosis. We apply signal processing and quantitative statistical analysis for the EEG recordings of 32 adult patients. For EEG signal processing, independent component analysis (ICA) was applied to separate the independent source components, followed by Fourier and time-frequency analysis. For quantitative EEG analysis, we apply several statistical complexity measures to the EEG signals and evaluate the differences between two groups of patients: the subjects in deep coma, and the subjects who were categorized as brain death. We report statistically significant differences of quantitative statistics with real-life EEG recordings in such a clinical study, and we also present interpretation and discussions on the preliminary experimental results.

Multi-scale order recurrence quantification analysis of EEG signals evoked by manual acupuncture in healthy subjects

To explore the effects of manual acupuncture (MA) on brain activities, we design an experiment that acupuncture at acupoint ST36 of right leg with four different frequencies to obtain electroencephalograph (EEG) signals. Many studies have demonstrated that the complexity of EEG can reflect the states of brain function, so we propose to adopt order recurrence quantification analysis combined with discrete wavelet transform, to analyze the dynamical characteristics of different EEG rhythms under acupuncture, further to explore the effects of MA on the complexity of brain activities from multi-scale point of view. By analyzing the complexity of five EEG rhythms, it is found that the complexity of delta rhythm during acupuncture is lower than before acupuncture, and for alpha rhythm that is higher, but for beta, theta and gamma rhythms there are no obvious changes. All of those effects are especially obvious during acupuncture with frequency of 200 times/min. Furthermore, the determinism extracted from delta, alpha and gamma rhythms can be regarded as a characteristic parameter to distinguish the state acupuncture at 200 times/min and the state before acupuncture. These results can provide a theoretical support for selecting appropriate acupuncture frequency for patients in clinical, and the proposed methods have the potential of exploring the effects of acupuncture on brain activities.     

Gabor based analysis prior formulation for EEG signal reconstruction

This paper deals with the problem of tele-monitoring EEG signals. In EEG tele-monitoring system, the integral step is to compress the signals in computationally efficient manner so that they can be transmitted over a limited bandwidth. In such a situation a Compressed Sensing (CS) framework for compressing and recovering the signals is the most viable approach. Previously the well known synthesis prior formulation is used for reconstruction. For the first time in this work, we show that the lesser known analysis prior formulation is a more appropriate way to frame the reconstruction problem. We show that our method yields better results than the previous synthesis prior formulation.     

不同状态下脑电图复杂性探索

Ｌｅｍｐｅｌ－Ｚｉｖ所定义的有限序列的复杂性反映了给定序列随其长度的增长出现新模式的速率,事实上它反映了序列接近随机的程度。将该复杂性度量运用于脑电分析,旨在克服分数维方法的缺陷。文中计算了八种实验条件下脑电图的复杂度,涉及看、听、休息和心算等基本的大脑功能状态,１３个被试的１６导数据被用于计算分析．结果显示了复杂度在不同电极位置及实验条件下都有变化,睁眼状态的复杂度高于闭眼,而施加任务时有额部大脑活动区域复杂度降低的现象。同时复杂度也提供了一些研究大脑高级认知活动的新思路。     

脑电信号的高阶奇异谱分析

奇异谱分析是脑电信号分析的一种新方法,脑电信号的奇异谱可以反映脑电的特征,它有助于研究大脑的动力学行为。奇异谱分析方法是基于二阶统计的方法,反映的是信号时间上和空间上的一种线性相关关系。而脑电信号属于非线性信号,其内在的非线性关系很难通过奇异谱得到真实的反映,从而会丢失某些有用的信息。提出一种新的基于高阶统计的脑电奇异谱分析方法,并将其运用于正常脑电和癫痫患者的脑电分析中。大量的实测信号样本仿真实验结果表明,正常脑电和癫痫脑电的奇异谱有明显的不同。此外,基于高阶统计的奇异谱和基于二阶统计的奇异谱相比更能反映出信号的细节。     

完全睡眠剥夺对大脑注意网络冲突效应和脑电样本熵的影响*

目的: 本研究分析睡眠剥夺对个体选择性注意网络冲突效应和脑电样本熵的影响,探讨睡眠剥夺对大脑注意网络的影响。方法: 25名健康受试者参与36 h完全睡眠剥夺试验。试验于当天9:00开始,于次日21:00结束,试验采用自身前后对照设计。受试者在睡眠剥夺前后分别完成注意网络任务,同步采集受试者的脑电图。用脑电样本熵算法分析脑电图的delta、theta、alpha、beta和gamma频率段的脑电复杂度并对比各频段脑电样本熵在睡眠剥夺前、后的变化。结果: 同睡眠剥夺前比较,睡眠剥夺后与受试者的注意网络冲突效应密切相关的反应时显著下降(P＜0.01),正确率显著增加(P＜0.01)。脑电样本熵分析发现在beta频率段,与注意网络冲突控制相关的脑电样本熵值在睡眠剥夺后明显增大(P＜0.01)。其余脑电频率段脑电样本熵未发现显著差异。结论: 表明完全睡眠剥夺后大脑的注意网络冲突效应降低,表明睡眠剥夺后执行冲突控制能力的下降。     

睡眠脑电的分形维数分析

为了研究是否用维数来描述脑功能的复杂程序,我们计算了５例正常人整夜睡眠时不同阶段的ＥＥＧ资料维数。结果显示,随着睡眠深度的增加而维数降低。这一事实和生理概念及其他作者所报道的结果相一致,故我们考虑维数分析在表示脑功能状态上有一定的理论意义。如果我们用简化法来计算维数,此法就有可能实时地应用于临床诊断。     

The dynamics of EEG entropy

The scaling properties of human EEG have so far been analyzed predominantly in the framework of detrended fluctuation analysis (DFA). In particular, these studies suggested the existence of power-law correlations in EEG. In DFA, EEG time series are tacitly assumed to be made up of fluctuations, whose scaling behavior reflects neurophysiologically important information and polynomial trends. Even though these trends are physiologically irrelevant, they must be eliminated (detrended) to reliably estimate such measures as Hurst exponent or fractal dimension. Here, we employ the diffusion entropy method to study the scaling behavior of EEG. Unlike DFA, this method does not rely on the assumption of trends superposed on EEG fluctuations. We find that the growth of diffusion entropy of EEG increments of awake subjects with closed eyes is arrested only after approximately 0.5 s. We demonstrate that the salient features of diffusion entropy dynamics of EEG, such as the existence of short-term scaling, asymptotic saturation, and alpha wave modulation, may be faithfully reproduced using a dissipative, first-order, stochastic differential equation—an extension of the Langevin equation. The structure of such a model is utterly different from the “noise+trend” paradigm of DFA. Consequently, we argue that the existence of scaling properties for EEG dynamics is an open question that necessitates further studies.