非线性动力学在脑电信号分析中的应用

EEG是由大脑产生的非线性时间序列,体现出混沌行为。近年来迅速发展的非线性动力学理论为脑电信号分析开创了一个新的领域。本文综述了近年来非线性动力学在脑电信号研究中（睡眠阶段,麻醉深度,认知过程,精神分裂,痴呆及癫痫）的进展,以期对脑神经动力学有更好的理解。     

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。     

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。     

脑死亡与脑昏迷脑电信号的复杂度研究

脑死亡诊断是有关病人生死的重要问题.许多国家都把脑电平坦列为脑死亡诊断的基本条件,但研究发现并非所有的脑死亡患者均表现为脑电平坦,同时脑昏迷患者在部分情况下也会表现出脑电平坦的现象,从而有可能在临床中造成误判.C0复杂度判断指标能够利用脑电信号中的复杂度特性帮助临床诊断中对于脑死亡和脑昏迷状况的鉴别.运用C0复杂度算法对22位脑死亡和脑昏迷病例进行分析实验,可以发现脑死亡脑电信号的复杂度明显高于脑昏迷脑电信号的复杂度.实验表明C0复杂度可以用来有效地区分脑死亡和脑昏迷脑电信号,具有潜在的重要临床价值.     

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。     

Labview在动物脑电信号采集分析中的应用

分析动物行为活动中的脑电特征是脑机接口(Brain-computer interface,BCI)研究中的一个重要内容.本文利用最新测控软件-虚拟仪器技术(LabVIEW)进行脑电信号采集与处理,实现了信号实时显示、中值滤波、小渡消噪的设计.实验结果显示提取出了与特定行为(抓食)相关的脑电活动特征信号,为研究大脑如何控制行为提供了一个有效的方法.     

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。     

基于节律性脑电信号的脑-机接口

脑-机接口系统是一个不依靠外周神经和肌肉组织等而实现大脑和外界装置之间直接的交流和控制的通道。它为那些运动障碍的残疾人表达自己的意愿和实现对外部设备的控制提供了一种新的强大的技术支持。基于脑电的脑-机接口作为一种非侵入型的技术引起了该领域很多人的关注。基于脑电的脑-机接口采用了很多种类型的脑电信号。其中,振荡性的脑电图由于有较高的幅值和对噪声不敏感等特性而体现出极大的优势。也是由于这些原因,振荡性的脑电图变成了脑-机接口的应用中非常成功的设计之一。本文要介绍主要的基于脑电的脑-机接口中的两种,分别是稳态视觉诱发电位和基于运动本体感觉节律的脑-机接口。作者将详细的叙述该研究的生理背景、脑-机接口的参数,以及该系统的构造及信号处理的方法,并且会演示一些具有潜在应用价值的科研成果。     

一个新的脑电信号分析系统：小波分析理论的运用

小波变换是一种把时间、频率（或尺度）两域结合起来的分析方法。它被誉为“分析信号的数学显微镜”。本系统将小波变换用于脑电信号分析,是一个在Ｗｉｎｄｏｗｓ３．１下开发的脑电分析系统。     

基于思维脑电信号的假手的研究

本文主要研究利用思维脑电信号来控制假手动作。采用小波变换对思维脑电信号进行分解,选取合适的子带信号并提取相应能量特征,组成特征向量输入BP神经网络进行分类识别。整个信号处理过程在LabVIEW软件平台上实现,并利用其串口通信模块输出控制指令来控制假手的张开和闭合。     

基于脑电信号识别采集的假肢控制系统

本文介绍了脑电信号（EEG）的模式识别和步骤,分析了EEG采集领域的发展和医学原理。通过研究脑电信号和假肢运动的联系,总结脑电控制假肢的可行性结论。设计出从头皮电极到模／数转换器的基于脑电信号识别采集的假肢控制系统,能够满足脑电假肢的各种要求。     

不同状态下脑电信号的双谱分析

根据脑电的非高斯随机特性,应用双谱技术分析脑电信号,引出脑电的参数化双谱估计,旨在克服脑电功率谱分析的缺陷。对四种不同脑功能状态（清醒闭眼、安神睁眼、快速心算、急促呼吸）的脑电进行双谱分析,并对对称脑电信号的互双谱作了初步的讨论。实验结果显示：所有脑电均出现明显的双谱结构,但不同生理状态下的脑电双谱结构存在明显的差异,结果表明双谱可能为研究脑电提供新的辅助信息。     

快速独立分量分析及其在脑电信号处理中的应用

独立分量分析(IndependentComponentAnalysis,ICA)是一种基于信号统计特性的盲源分离方法,由于其分离的信号之间是互相独立的,所以在生物电信号去除干扰和伪迹、信号分离以及特征提取等方面有很大的潜在价值。本文提出了一种改进的快速ICA方法,提高了收敛速度。通过仿真,证明这种方法的优越性。最后利用该方法去除脑电中眼动伪迹,达到了较好的效果。     

基于PSoC的脑电信号采集系统的设计

脑电信号是一种很重要的生物医学信号,它是临床医学诊断和脑科学研究的一种重要手段。本文介绍了基于Cypress PSoC~(TM)可编程片上系统的脑电信号采集系统的整个设计过程,包括硬件组成和软件设计方法。通过PSoC芯片特有的可编程模拟系统和数字系统,可以把大量的外围器件集成到芯片的内部,从而提高了硬件系统的集成度和可靠性;加上功能强大的PSOC Designer集成开发环境,提高了开发效率,而且系统的软硬件升级也更加容易了。     

铅染毒大鼠脑电信号的分形特性研究

利用混沌时间序列的分析方法,对铅中毒情况下的大鼠的脑电波进行了测试和分析,求出了其分形维数。从研究结果中得出了铅中毒情况与脑电信号的分形维数之间的关系,结果表明,铅中毒会引起脑电信号的分形维数的显著变化。通过这一工作,能够为临床上重金属中毒的早期诊断提供新的方便、灵敏的指标。     

不同脑功能状态下脑电三维动态频谱的变化

应用三维动枋频谱分析方法,对不同脑功能状态下的脑电活动作定理分析结果表明:在睁眼时α波(8—13Hz)的总面积仅为闭目安静时的无56.1°.其中以X_1成份(8—10Hz)下降显著.降至41.1°.X_2成份(11—13Hz)下降至71.0°心算时x节律抑制不明显β波段(17— 45Hz)在睁眼和心算时总面积无显著变化,但心算时β_1(17—31Hz)略占优势,而睁眼时β_2(31—45Hz)略呈优势。     

基于脑电信号的癫痫发作预测特征及识别

解码癫痫发作前脑电信号的神经元集群异常痫样放电活动,对癫痫发作进行有效预测并实施病前干预,可显著减少疾病病损,是癫痫防治的研究热点之一。基于脑电信号的癫痫发作预测研究关键在于发作间期和前期的异常状态识别,研究上述两状态间的神经动力学特征差异对明确癫痫发病机制、选取高分辨特征,进而有效识别该渐进性疾病所处的发作阶段具有重要价值。目前,研究者已对当前主流特征提取及模式识别方法进行了充分的调研梳理,但忽视了神经动态特征变化对于癫痫发作预测的重要意义。基于此,本文归纳总结了5类典型的发作预测特征分析方法及其优缺点,重点剖析了发作间期至前期神经生理特征的动态变化及其动力学特性,类比分析了当前该领域主流的机器学习和深度学习特征识别方法,以期为进一步建立精准、高效的癫痫发作预测技术提供新思路。     

肌电信号的相空间分析

为了研究肌电信号的复杂性及其动力学特征,本文通过对肌电信号的相空间分析,计算并分析重构相空间中的肌电信号的关联维及最大李雅谱诺夫指数随嵌入维增加而发生变化的情况,发现其关联维不像噪声那样随着嵌入维的增大而增大,而是趋于一稳定值,此外它还具有正的李雅谱诺夫指数,为进一步对肌电信号进行混沌分析打下基础。     

几种生物电信号的计算机获取与处理方法

生物电信号通常指脑电(EEG)、心电(ECG)、肌电(EMG)、视网膜电流图(ERG),以及各种自发和诱发神经电位等,种类繁多,波形与频率也各异。在不同的研究领域中,对这些信号的获取方式与处理手段也不相同。因此,很难用一种通用的仪器和方法分析和处理。目前国内多将电生理仪器取得的信号,收集放大后,用示波或描记方法进行分析处理。本文介绍几种生物电信号的计算机获取和处理方法与应用     

基于独立元分析和非线性指数分析的脑电信号中伪迹分量的自动去除

脑电(electroencephalography,EEG)信号中不可避免地存在着眼动、心跳、肌电信号以及线性噪声等伪迹干扰,这些伪迹的存在极大地影响了脑电信号分析的准确性,因此在进行脑电信号分析前需要去除伪迹干扰。为了有效地去除伪迹,结合独立元分析和非线性指数分析,提出一种自动识别并去除脑电信号中伪迹分量的方法。该方法还可同时用于提取脑电信号中的基本节律如!波等。相应的模拟与实际脑电数据的实验结果表明所提议的方法具有很好的识别和去除脑电信号伪迹分量的性能。