电针联合低频经颅超声刺激对创伤性脑损伤大鼠脑电信号的影响

背景:创伤性脑损伤是由头部受到撞击、打击而导致大脑正常功能被破坏的疾病,目前需要寻找有效治疗方式和客观指标,帮助医生判别损伤状况及恢复患者脑功能。目的:探究电针联合低频经颅超声刺激对创伤性脑损伤大鼠脑电信号的影响。方法:将40只6周龄SPF级雄性SD大鼠随机分为假手术组、模型组、电针组、低频经颅超声刺激组和联合组(n=8),后4组采用Feeney自由落体法造模,假手术组只开骨窗而不打击。各干预组均于造模后1 d开始实施干预,电针组进行电针干预,低频经颅超声刺激组进行低频经颅超声刺激干预,联合组进行两者联合干预,共干预7 d。造模后8 h,用改良神经功能缺损评分评定大鼠神经功能缺损情况;干预7 d后观察大鼠Y迷宫自发轮流行为百分比,而后采集脑电信号,利用快速傅里叶变换分解出α、β、θ和δ波段,计算各频段振荡幅值、能量占比百分比以及Lempel-Ziv复杂度、样本熵。结果与结论:①造模后8 h,模型组、电针组、低频经颅超声刺激组和联合组的改良神经功能缺损评分显著高于假手术组(P<0.05);②造模后第7天,模型组的α波、δ波频带振荡幅值、δ波能量占比百分比显著高于假手术组(P<0.05),自发轮流行为百分比、α波、β波能量占比百分比、Lempel-Ziv复杂度、样本熵显著低于假手术组(P<0.05);③与模型组比较,联合组的α波、δ波频带振荡幅值显著下降(P<0.05),电针组、低频经颅超声刺激组、联合组的α波、β波频带能量占比百分比显著升高(P<0.05),δ波能量占比百分比显著下降(P<0.05);④与电针组和低频经颅超声刺激组相比,联合组的δ波能量占比百分比显著降低(P<0.05),自发轮流行为百分比、α波、β波能量占比百分比、Lempel-Zi复杂度、样本熵显著升高(P<0.05);⑤结果显示,创伤性脑损伤大鼠出现脑电信号异常,而电针联合低频经颅超声刺激干预后可以改善大鼠脑电信号的异常情况,提示脑电频域特征和非线性特征可用来评估创伤性脑损伤情况。

肌电信号控制的智能小车实验平台设计

肌电信号是人体肌群在运动时产生的一种微弱信号,该信号蕴藏着与运动相关的控制信息源。提出了一种基于肌电信号的智能小车控制系统。该系统由肌电信号采集模块、无线传输模块、小车控制模块和显示模块等组成。整个系统分为主从两部分。主机采用STM32F103ZET6微处理器对肌电信号进行多通道采集,提取所采集信号的特征值。将特征值分为测试集和训练集,并对不同手势信号贴上对应的标签,使用K最近邻(KNN)算法对测试集进行准确度分析以实现对不同手势的识别。识别结果通过无线传输模块发送给从机小车,小车接收到主机发送的内容后进行相应的动作。测试结果表明,所提出的方法在不同时间段信号采集的平均准确率可达91.14%以上,系统具有很好的鲁棒性。

基于改进ResNet50的表面肌电信号手势识别

为了提高手势动作在类别众多且相似度高的情况下的识别精度,提出了一种基于连续小波变换和残差神经网络Res-Net50的表面肌电信号手势识别方法。首先对Ninapro DB2和DB3的原始表面肌电信号进行预处理和连续小波变换,得到Multi-sEMG Wavelet Map数据集,然后送入改进的ResNet50模型进行识别分类。实验结果表明,改进后的ResNet50网络模型在Multi-sEMG Wavelet Map DB2和DB3中17种手势动作的平均准确率分别达到了96.40%和94.11%,相比ResNet50网络模型方法提升了4.87%和5.83%。实现了手势动作在类别繁多、相似度较高的情况下的精准识别。为基于非侵入式传感器和机器学习控制的假肢手提供了新方案。

基于腹电信号的自动胎儿诊断算法的研究

目的电子胎心监护是通过连续监测胎心率和宫缩的变化对胎儿宫内状态进行评估的重要手段,但对电子胎心监护的传统人工诊断存在主观性高和一致性低的局限。与超声多普勒法相比,经腹电信号法允许更长时间的监护,且受个体差异影响小,但国内缺乏精确的基于腹电信号的自动胎儿诊断算法。为此本研究提出了一种创新算法,旨在提高胎儿诊断的准确性和效率,并为国内临床医生提供有效的决策支持工具,提升医疗服务质量。方法本算法首先采用稳定有效的多任务深度学习网络对腹电信号提取到的胎心率进行分析得到胎心率参数(基线、加速和减速的起止时间),同时通过由腹电信号滤波得到的子宫肌电信号进行宫缩识别获取宫缩参数(宫缩频率和起止时间)。对提取的上述参数进行整理后结合电子胎心监护应用专家共识进行胎儿监护结果的诊断。结果通过分析89例同时采用腹电式动态胎儿监护仪和多普勒胎儿监护仪的20 min监护记录,算法在无激惹试验反应型的识别上表现出76.09%的敏感度和97.22%的阳性预测值,宫缩应激试验Ⅰ类的敏感度为88.89%,阳性预测值为68.09%,整体准确率达到77.53%。结论该算法在与医生诊断结果的对比中展现出较高的一致性,为提高临床决策质量和医疗服务提供了一个创新的辅助工具。

使用异质集成学习和心电信号异构特征融合的睡眠呼吸暂停分类方法

睡眠呼吸暂停(SA)会影响睡眠质量,增加心脑血管疾病风险,其准确分类有助于在SA早期阶段及时开展针对性治疗。本文提出一种使用异质集成学习和异构特征融合的SA分类新方法。首先从原始心电信号中提取小波时频谱,使用SE-ResNet作为初级分类器;然后提取RR间期序列和R峰值序列,使用1D CNN-LSTM作为初级分类器;再提取心率变异性特征,使用SVM作为初级分类器。最后采用堆叠法作为异质集成学习的融合策略,再使用另一个SVM作为次级分类器实现SA分类。在Apnea-ECG数据集上进行实验,所提出的SA分类方法的准确率为89.12%。实验结果表明,所提方法有效利用了各初级分类器的多样性和异构特征的互补性,其性能优于传统的SA分类方法。

基于域间Mixup微调策略的跨被试运动想象脑电信号分类算法

为了缓解传统微调算法的灾难性遗忘问题,本文提出了一种基于域间Mixup微调策略的跨被试运动想象脑电信号分类算法Mix-Tuning。Mix-Tuning通过预训练、微调的二阶段训练方式,实现跨领域知识迁移。预训练阶段,Mix-Tuning使用源域数据初始化模型参数,挖掘源域数据潜在信息。微调阶段,Mix-Tuning通过域间Mixup,生成域间插值数据微调模型参数。域间Mixup数据增强策略引入源域数据潜在信息,缓解传统微调算法在样本稀疏场景下的灾难性遗忘问题,提高模型的泛化性能。Mix-Tuning被进一步应用于运动想象脑电信号分类任务,实现了跨被试正向知识迁移。Mix-Tuning在BMI数据集的运动想象任务达到了85.50%的平均分类准确率,相较于被试–依赖和被试–独立训练方式的预测准确率58.72%和84.01%,分别提高26.78%和1.49%。本文分析结果可为跨被试运动想象脑电信号分类算法提供参考。

表面肌电信号手势识别算法综述

随着人工智能技术的发展,深度学习在手势识别方面的识别效果得到显著提升。表面肌电信号是人体肌肉活动时产生的一种电生理信号,由于其非侵入性便于采集,现已作为康复辅具与假肢控制的一种信号来源。在应用表面肌电信号时,需要经过放大滤波等预处理;然后进行特征提取以获取表面肌电信号在时域、频域及时频域的有效信息;最后将这些信息输入机器学习模型中,即可分析人体的相关肌肉运动,进而控制相关器械动作。为此,主要对特征提取及机器学习分类模型部分进行综述,阐述当前基于表面肌电信号手势识别的研究进展与未来发展方向。

应用平均幅度差函数之和分析心电信号对除颤最佳时机的预测价值

目的应用平均幅度差函数之和(the sum of average magnitude difference function,SAMDF)处理室颤的心电信号,通过与常用预测除颤时间方法振幅谱面积(amplitude spectrum area,AMSA)进行对比找到预测除颤时间更优的方法。方法应用56头重(40±5)kg雄性家猪,诱导室颤后进行10 min未处理的室颤、6 min的心肺复苏和除颤。在室颤和心肺复苏过程当中会记录每1 min SAMDF和AMSA的数据并记录下来。进而计算受试者工作特征(receiver operating characteristic,ROC)曲线,应用单向方差分析(one-way analyses of variance,one-way ANOVA)以及正负样本散点图的比较,以此说明两者均能优化最佳除颤时间。比较除颤成功组(Group R)和除颤失败组(Group N)的SAMDF和AMSA的数值以说明两者预测除颤成功的能力。结果散点图显示SAMDF和AMSA均能够区分阳性和负样本(P<0.001)。ROC曲线显示SAMDF(AUC=0.801,P<0.001)和AMSA(AUC=0.777,P<0.001)一样有着相同的能力预测最佳除颤时间。两组SAMDF和AMSA数值比较,Group R的SAMDF和AMSA数值明显高于Group N(P<0.001)。结论SAMDF在优化预测除颤时机方面具有很高的潜力,并且可以作为AMSA等现有有效预测除颤时机特征的补充。

基于双分支网络的表面肌电信号识别方法

针对目前表面肌电信号(sEMG)手势识别细节信息提取不充分,对相似手势区分困难的问题,提出基于加强二维化特征的双分支网络(ETDTBN)模型.该模型通过加强二维化方法生成二维特征图,使用多层卷积神经网络(ML-CNN)提取sEMG的空间特征,利用双向门控循环单元(Bi-GRU)提取原始信号的时序特征.考虑到不同的特征对网络的影响程度不同,引入自适应特征融合机制对不同分支进行融合,强化有用特征并弱化无用特征,提高表面肌电识别的准确率.实验在电极偏移和不同受试者2种情况下对ETDTBN进行训练与测试,与主流的肌电手势识别模型进行对比.可知,ETDTBN的总体识别准确率分别为86.95%和84.15%,准确率均为最优,证明了该模型的有效性.

基于表面肌电信号及肌肉疲劳的上肢肌力预测

为解决目前肌肉力测量时用肢体末端力表示实际肌肉力大小,以及未将肌肉疲劳程度考虑在内的问题,本文提出了一种基于表面肌电信号和肌肉疲劳的上肢肌肉力预测方法。利用AnyBody软件建立上肢肌肉骨骼模型,并将上肢末端力经过仿真得到单块肌肉的肌力大小;采用肌肉等长收缩的时间来表征肌肉疲劳程度。10名健康男性受试者进行上肢等长收缩实验,提取实验过程中肱二头肌肌电信号的积分肌电值、均方根、中值频率、平均功率频率、最大小波系数及其对应频率六个特征值;将肌肉力与特征值、肌肉疲劳程度进行分析后发现三者之间高度相关。采用麻雀搜索算法优化BP神经网络的权值和阈值,构造并训练上肢肌力预测模型。经测试集检验结果表明,该方法的误差小于12%,可以对肌力进行较为准确的预测。

基于CNN网络的孕妇腹电信号质量评估算法

胎儿心率(fetal heart rate, FHR)能够反映母亲子宫内胎儿的健康情况,也是胎儿监护的重要指标。无创胎儿心电监测是将电极置于孕妇腹部来采集腹部心电信号(abdomen electrocardiogram, AECG),经过信号处理可从AECG获取出胎儿心电信号(fetal electrocardiogram, FECG),根据获得的FECG可计算得到FHR。目前FECG提取存在着一些问题,如在AECG有母亲心电信号(maternal electrocardiogram, MECG)、基线漂移、工频干扰、采集噪声等,这些噪声会使AECG的信号质量差,最终影响FECG的提取效果。因此本文提出了一种基于CNN网络的AECG质量评估算法,通过该算法可以对AECG质量评估,筛选出信号质量比较好的AECG,从而提高FECG提取的准确率。通过对测试集的AECG质量评估,本文提出算法的灵敏度(SE)、阳性预测值(PPV)和F1值达到了97.76%、97.00%、97.38%,证明本文提出的方法可有效地对AECG质量评估。

采用变分模态分解与领域自适应的表面肌电信号手势识别

针对传统机器学习在表面肌电信号手势识别领域的适应性和准确性不足,以及新用户因个体生理和行为差异在已有模型上表现不佳的问题,提出一种利用卷积神经网络模型并有效克服肌电数据分布差异的算法,用于提升手势识别的性能。首先对肌电信号进行变分模态分解,构建易于识别的表面肌电图像,并提出了一种卷积神经网络模型进行手势识别,提升用户相关的肌电信号手势识别准确率;同时利用迁移学习中的领域自适应和模型微调技术,提升用户无关的肌电信号手势识别准确率,并将所提算法在NinaPro DB1肌电数据集中进行了3分类、4分类、5分类和12分类共4组评估验证。结果表明:在4组评估验证中,用户相关的肌电信号手势识别平均准确率分别达到了99.28%、99.30%、98.39%和93.40%,用户无关的肌电信号手势识别平均准确率分别达到了94.05%、92.60%、88.38%和70.03%,表明本文提出的算法在表面肌电信号手势识别中具有良好的效果,为实现人机交互中的普适性的肌电设备开发提供了一种可行的方案。

基于CNN-NLSTM的脑电信号注意力状态分类方法

通过脑电信号进行注意力状态检测,对扩大脑-机接口技术的应用范围具有重要意义。为了提高注意力状态的分类准确率,该文提出一种基于CNN-NLSTM的脑电信号分类模型。首先采用Welch方法获得脑电信号的功率谱密度特征并将其表示为二维灰度图像。然后使用卷积神经网络从灰度图像中学习表征注意力状态的特征,并将相关特征输入到嵌套长短时记忆神经网络依次获得所有时间步骤的注意力特征。最后将两个网络依次连接来构建深度学习框架进行注意力状态分类。实验结果表明,该文所提出的模型通过进行多次5-折交叉验证评估后得到89.26%的平均分类准确率和90.40%的最大分类准确率,与其他模型相比具有更好的分类效果和稳定性。

基于压缩感知的疲劳驾驶脑电信号监测方法

脑电信号可用来有效地判断驾驶员是否疲劳驾驶,为减少驾驶人员驾驶过程中脑电信号的采集量,在信号采样端采用离散余弦基对驾驶员的脑电信号进行稀疏化,然后通过伯努利矩阵把稀疏的高维信号压缩采样成低维信号,最后在车上电脑端利用基追踪降噪法把压缩采样后的低维信号进行重构,还原出原脑电信号。在实验室进行模拟驾驶及脑电信号压缩采样的实验,结果表明,在压缩率小于80%时,重构后的脑电信号误差小于0.26,方法能保证疲劳监测系统所需的精确的脑电信号。

基于表面肌电信号对乒乓球运动员挥拍动作的特征研究

通过对乒乓球运动员进行采集上肢表面肌电信号数据的实验,分析其在进行挥拍动作时的肌肉活动特征。实验对象为30名具有一定乒乓球训练经验的运动员,分别进行正手挥拍、反手挥拍的实验任务。通过表面肌电信号采集设备记录运动员挥拍时肌肉的电活动信号,并对信号进行预处理和分析,提取出肌肉活动的特征参数。利用BP神经网络算法比较表面肌电信号时域特征、频域特征以及时频特征对挥拍动作的影响及识别预测。通过比较肌肉活动特征,探讨乒乓球运动员在不同动作中肌肉协调和活动强度的变化,实验中可正确模拟采集上肢挥拍规律,在运动员基础训练中具有应用价值。

单导联心电信号采集与显示系统的设计

近年来心血管疾病的发病率正在逐年上升,医生对于心血管疾病的诊断仍然将测量心电图作为最主要的辅助检查手段,但是目前静态心电图仪器仅可以进行瞬时采样且仅能记录患者部分心电情况,对于潜伏性疾病较难以及时发现,而动态心电图仪器佩戴复杂且即时性差,故论文设计了一套基于FPGA的单导联心电采集与显示系统,并通过上位机对其采集的波形进行显示。经过测试验证,单导联心电采集与显示系统运行良好,能够有效地检测到生物电信号,佩戴方便且能够辅助医生提升诊断决策的效率,给医疗器械的研究提供了一种新的研究方向。

跨被试运动想象脑电信号的卷积神经网络识别方法

本文提出一种跨被试的深度神经网络识别方法,应对运动想象脑电信号的非线性、非平稳特性.该方法首先计算协方差矩阵均值,将不同被试者样本集的协方差对齐至单位矩阵,提升样本的被试间泛化性.然后,将对齐后的样本输入至卷积神经网络中,通过留一被试交叉验证法,构建跨被试的运动想象脑电信号识别方法.在BCI Competition IV dataset 2b公开数据集上进行实验,结果表明,新的方法在该数据集上取得了高的识别性能,且测试场景中的时间复杂度与现有方法相同.

基于变分模态分解和稀疏表示的局部放电信号去噪算法

鉴于局部放电信号受各种噪声的干扰,文章提出一种基于变分模态分解和稀疏分解的局部放电信号去噪算法。以稀疏表示算法为核心,基于局部放电信号的特性构建其过完备字典,再采用匹配追踪算法在过完备字典中搜索出原信号的最佳匹配原子集合重构信号;为解决过完备字典维度过高而导致的搜索次数太多的问题,引进变分模态分解算法和峭度值筛选进行预处理和预重构;优化后的方法可以限制稀疏分解算法的搜索范围和字典参数,以减小计算复杂度。仿真验证以及对工程环境中实测信号的去噪结果表明:该方法具有更好的降噪效果,即使在极低信噪比的情况下,依旧能提取出有效的局部放电信号。

基于CNN的脑电信号情绪识别模型研究

针对现有深度学习模型在情绪识别方面种类少且准确率低的问题,采集并建立了脑电波信号数据集,提出了一种基于CNN的脑电波的智能多情绪识别模型,利用多层卷积神经网络提取脑电信号情感特征,在批归一化层和激活函数中引入非线性特性,构建了两层全连接神经网络,实现了情绪特征中积极、中性和悲伤的分类。实验结果表明,提出的模型复杂度低且分类准确率达到了81.43%,明显高于SVM、LSTM、VGGNet模型,证明了该模型的简洁性和高效性。

基于头皮脑电信号的无创脑机接口在神经系统疾病中的临床应用上海专家共识

脑机接口是一种建立在大脑与外部环境之间的特殊通讯系统,该系统通过检测中枢神经系统活动并将其转化为人工输出,以替代、修复、增强、补充或改善人体大脑中枢神经的正常输出,从而实现中枢神经与外界的交互作用。脑机接口系统按照采集方式不同主要分为侵入式、半侵入式和非侵入式3类。非侵入式的脑机接口技术在临床探索与应用研究中开展广泛。基于头皮脑电信号采集是最常见的非侵入式大脑信号采集方法。目前,多项研究通过实施基于头皮脑电信号的无创脑机接口技术成功实现了人机融合,即通过外部设备将中枢神经的某些脑电活动转化为操作指令,从而改变神经系统与内、外环境之间的交互逻辑。因基于头皮脑电信号的无创脑机接口技术存在实验范式、电极位置、信号成分、解码算法和驱动外设等多种因素,须梳理现有研究结果,建立临床应用。上海市医学会脑电图与临床神经生理专科分会组织临床、工科及理科相关专家就基于头皮脑电信号无创脑机接口在神经系统疾病中的临床应用价值提出共识,以促进相关技术的临床应用。