基于偏最小二乘法的事件相关电位单次提取研究

为满足脑-机接口特征提取实时性以及临床脑电检测高效性的要求,探讨事件相关电位的单试次高效提取技术尤为重要。将小波分析、经验模态分解、极限学习机以及偏最小二乘(PLS)应用于仿真和真实脑电信号,完成特征提取。结果显示:仿真实验中,不同信噪比下PLS提取性能稳定,P300潜伏期误差小于4 ms;真实脑电中,PLS少次迭代,特征提取更为精确,峰值误差0.551μV,峰值潜伏期偏移量27 ms,均小于小波、经验模态分解以及极限学习机多试次迭代结果(P<0.01)。结果表明偏最小二乘法在事件相关电位单试次提取中具有显著优势。

基于深度学习的ADHD儿童和正常儿童脑电信号分类研究

针对注意缺陷多动障碍(attention deficit hyperactivity disorder,ADHD)儿童和正常儿童的分类问题,实验采用经典干扰控制任务范式对两类儿童的事件相关电位(event-related potential,ERP)进行了研究,旨在通过ERP特征实现其分类。实验首次使用长短期记忆(long-short term memory,LSTM)方法分析两类儿童前额叶与顶枕叶脑区最佳电极(p <0. 05)潜伏期(200～450 ms)的脑电信号,并自动学习和分类其ERP特征。相比常规分类方法,LSTM方法的分类率略高,可达95. 78%。研究结果表明LSTM方法有助于ADHD儿童脑电信号的分类,为ADHD儿童个体诊断技术提供了一种新思路。

基于实时约束独立成分分析方法的核磁脑电信号去噪研究

同步脑电—功能磁共振融合技术因其高精度的时空分辨率,在科学研究和临床领域发挥着重要作用。然而,核磁环境下的心电伪迹严重影响了融合结果。本文利用实时技术改进了离线约束独立成分分析算法,并采用该方法处理了模拟数据和真实静息态数据。结果表明:对于模拟信号,本方法得到的Er值小于平均模板减法等传统方法(P<0.005);对于真实信号,本方法得到的INPS值高于其他方法(P<0.005)。本文提出的去噪算法为脑电核磁的融合模型研究奠定了技术基础。