基于同步性静息态脑网络的原发性失眠诊断

全球有约1/3的人口曾受到失眠的困扰,研究表明脑电的高度觉醒是失眠的一个重要原因,表现在高频脑电活动的增强。然而,由于存在较大的干扰因素,日常静息态条件下评判困难。因此本文提取原发性失眠患者和健康对照的脑电图(Electroencephalogram,EEG)高频频带(Beta、Gamma频带),使用更适合EEG这种非线性、非平稳信号的相位锁相值(Phase locking value,PLV)方法来构建静息态功能脑网络,使用自适应阈值技术进行二值化处理。为了提升失眠症脑网络特征评价的可靠性,综合了各脑网络特征,提出了用于失眠症检测的脑网络综合度量指标。且发现在Gamma频带上,综合指标在原发性失眠患者组与健康对照组之间存在显著性差异(p=0.044)。应用支持向量机(Support vector machine,SVM)进行自动分类,在Beta频带上的正确率达77.7%,灵敏度达90.7%,相较于原始网络特征正确率提高了9.4%,灵敏度提高了20.7%;同时与现有研究对比,本文提出的脑网络综合度量指标的正确率提升了19.4%,灵敏度提升了20.7%。此外,发现Beta频带的综合度量指标分类效果更好,对于失眠症患者的日常诊断具有潜在的应用价值。

在线增强型复值混合信号盲分离算法研究

基于二阶统计量,对在线分离复值混合信号法进行了研究.假设源信号是独立的且非常态,信号的伪协方差矩阵能增加约束条件,从而可证明二阶统计量能够完全分离复值混合信号,而且对信号是否平稳不作要求.结合非常态信号的独立性,构造出代价函数,利用梯度下降法推导出在线盲分离算法.通过盲分离算法的仿真试验,发现所提出的盲分离算法能充分利用复值非常态信号的二阶统计量,算法具有鲁棒性好、运算速度快和可在线实现等优点.

在线复值独立分量分析算法

基于复向量不相关特性和复值非线性函数,提出一种在线复值独立分量分析算法.结合非正则复向量的协方差矩阵和伪协方差矩阵构造出了新的代价函数,进而提出新算法,通过复非线性不相关,从混合信号中提取出复值独立分量.由于充分利用了非正则复向量不相关的特性,获得了更多有用的信息量,因此算法的收敛速度更快、提取效果更好,并且在线方式下算法更加稳定.仿真试验表明,所提出的在线复值独立分量分析算法更具有实际应用前景.

水下目标信号的Lofar谱图特征的主分量分析研究

研究一种基于 Lofar谱图特征和主分量分析的水下目标信号的特征处理方法。首先介绍了这种方法的应用背景 ,给出了舰船辐射噪声的结构和 Lofar谱特征的提取方法。在简单介绍了主分量分析的有关基础知识和数学解法后 ,对于海上测量获得的舰船辐射噪声信号进行特征提取 ,利用主分量分析的方法对提取的特征向量进行降维处理。针对主分量分析处理前后的特征向量 ,采用结构自适应模糊聚类神经网络分类器分类 ,与直接对Lofar谱特征分类相比 。

粒子滤波和独立分量分析的含噪信号盲分离算法研究

研究了两阶段含噪独立分量分析算法来解决含噪信号盲分离问题。第一阶段,通过粒子滤波实现对不含噪混合信号的估计,将含噪独立分量分析转化为不含噪的独立分量分析;第二阶段用现有的FastICA算法从估计的不含嗓混合信号中提取出源信号。不含噪混合信号的时变自回归模型和含噪与不含噪混合信号之间的关系构造了动态的状态-空间方程。该方程的特点是多变量、过程和观测噪声不限于高斯分布,粒子滤波是解决该问题的有效方法。提出了解决含噪独立分量分析的PF+FastICA算法,仿真试验表明所提出的算法性能优于相关文献的结果。

基于复信息量的频域多通道盲解卷积算法

基于复信息量,发展了一种频域多通道盲解卷积算法。第一阶段,将频域内复变量的伪协方差矩阵融入到分离算法中,能完全实现非线性不相关,从而使得算法性能得到显著提高。第二阶段,通过Kullback-Leibler(KL)距离来解决次序不确定性问题。将复变量出现的频度与复变量幅值的均匀分布相结合的复变量概率密度函数能更加准确地计算KL距离,使得该方法的性能得到改善。空旷场地下的仿真试验证明了所提出的算法更加有效。

非正则复向量的扩展MVDR算法研究

研究了非正则复向量的特性对MVDR算法的影响。将阵元接收数据经过FFT运算后,在任一频率下的列向量都是非正则复向量。根据非正则复向量伪自相关阵的特性,提出了扩展自相关矩阵和扩展驾驶向量,推导出了扩展MVDR(ExMVDR)算法。仿真试验表明ExMVDR算法比MVDR能够更好的压制旁瓣,主瓣的信噪比能够提高2dB左右。

杂系混合信号的盲分离

利用基于随机变量概率密度函数的非参数密度估计的核密度估计法对评价函数进行直接估计,改进了盲分离算法的性能.理论推导和试验都证实了这种基于核密度估计的非参数密度估计盲分离算法能实现包含超高斯和亚高斯信号的杂系混合信号的盲分离,为盲分离问题在实际问题中的应用奠定了一定的基础.

心智游移的功能磁共振成像研究进展

心智游移是日常生活中的常见现象,是个体思维活动从当前的任务活动中转移至自我产生的想法和感受上,其认知神经机制尚不明确。功能磁共振成像(functional magneticresonanceimaging,fMRI)技术在理解心智游移的认知神经机制方面发挥着重要作用。笔者主要从任务态的心智游移fMRI、静息态fMRI与心智游移的相关性角度对心智游移fMRI的研究进展进行全面综述。

时频域非参数密度估计的独立成分分析

这篇文章提出了一种新的时频域非参数密度估计独立成分分析,考虑到含噪的情况将小波包系数阈值降噪作为其预处理过程,该种算法实现非平稳信号过定瞬时混合的盲分离,它同时估计了解混合矩阵以及未知时频域内的密度函数,其最大优点是不需要选择时频点或者是划分时频面,目前对于实际信号时频盲处理方法来说,选择有效的时频点以及进行合理的时频面划分是有很大局限性的.如仿真所示,其在相同的信噪比特别是低信噪比下分离效果要优于某些时频算法.

不同意识状态对音乐感知的差异性:基于音乐特征与脑电张量分解的研究

研究不同意识水平对音乐感知的差异性,探索不同意识水平与音乐感知之间的关系。被试共43名,其中7名正常意识被试、17名微意识状态(MCS)被试和19名植物状态(VS)被试。获取3种不同意识水平被试在聆听传统民乐《茉莉花》时的脑电,利用基于层次交替最小二乘法(HALS)非负张量分解,对被试在听音乐时产生的脑电提取张量成分,对这些成分做功率谱比率分析和脑地形图分析;在此基础上,对音乐包含的5种信息学特征的EEG响应进行研究,包括中心化波动值(fluctuation centroid)、波动熵(fluctuation entropy)、音阶清晰值(key clarity)、脉冲清晰值(pulse clarity)和调值(mode)。结果表明:1)正常意识被试、MCS被试和VS被试对5种音乐特征的脑电响应在节律上存在显著差异,正常意识被试的alpha波占比高于MCS和VS被试,其中:fluctuation centroid,正常意识被试、MCS被试和VS被试分别为0.687±0.193、0.033±0.022、0.063±0.040(P<0.001);fluctuation entropy,正常意识被试、MCS被试和VS被试分别为0.588±0.132、0.041±0.025、0.085±0.077(P<0.001);key clarity,正常意识被试、MCS被试和VS被试分别为0.668±0.295、0.096±0.103、0.057±0.065(P<0.001);pulse clarity,正常意识被试、MCS被试和VS被试分别为0.672±0.064、0.144±0.242、0.044±0.044(P<0.001);mode,正常意识被试、MCS被试和VS被试分别为0.432±0.273、0.057±0.049、0.033±0.026(P<0.001)。除mode特征外,beta波与alpha波体现相同的统计特征(P<0.05)。2)MCS和VS被试对音乐特征的响应在节律上没有差异,均以delta波和theta波的慢波为主。3)在响应激活区域上,正常意识被试对5种音乐特征的响应主要分布于前额叶,MCS和VS被试的响应主要分布在颞叶。研究表明,不同意识水平对大脑加工音乐特征有影响,这为音乐感知与意识关系探索提供新的模型和研究范式。

改进的卷积神经网络实现端到端的水下目标自动识别

由于水声信号的高度复杂性,基于特征工程的传统水下目标识别方法表现欠佳。基于深度学习模型的水下目标识别方法可有效减少由于特征提取过程带来的水声信号信息损失,进而提高水下目标识别效果。本文提出一种适用于水下目标识别场景的卷积神经网络结构,即在卷积模块化设计中引入卷积核为1的卷积层,更大程度地保留水声信号局部特征,且降低模型的复杂程度;同时,以全局平均池化层替代全连接层的方式构造基于特征图对应的特征向量主导分类结果的网络结构,使结果更具可解释性,且减少训练参数降低过拟合风险。实验结果表明该方法得到的水下目标识别准确率(91.7%)要优于基于传统卷积神经网络(69.8%)和基于高阶统计量特征的传统方法识别表现(85%)。这说明本文提出的模型能更好保留水声信号的时域结构,进而提高分类识别效果。

基于被动听觉ERP范式的慢性意识障碍患者个体评估研究

近年来,大脑功能检测技术逐渐应用于意识障碍(DoC)患者的意识水平评估,以期降低仅依靠临床主观行为量表评估的误诊率。其中,被动听觉事件相关电位(ERPs)范式下诱发的N1和失匹配负波(MMN)成分被认为是反应DoC患者意识水平的关键脑功能指标,但目前仍局限于组别层面的统计分析结果,其在DoC患者个体水平的评估效能尚待挖掘。根据N1和MMN成分的特性,提出了一种适用于被动听觉ERPs范式下DoC患者个体评估的深度学习算法。该方法引入了特征融合的数据扩增策略,即在单被试数据中随机抽取不同类型的试次进行空间级联形成新的融合样本,并结合EEGNET深度学习算法实现自动化特征提取和分类识别。在包含132名被试的单试次数据集上进行测试。对健康被试(38名),微意识状态(40名)和植物状态(54名)患者进行三分类评估。统计分析结果表明,该样本融合策略可显著提升模型分类表现,并在单被试融合样本数量扩增至1 000时模型取得样本水平75.14%的平均分类准确率,以及被试水平83.00%的平均分类准确率,83.79%的精确率和84.02%的召回率。所提出的深度学习框架可有效克服传统方法中存在的个体评估能力不强的问题,为DoC患者个体评估提供新的研究思路。

基于多源域自适应的跨被试情感脑电识别

在基于脑电信号的情感检测过程中,受被试间脑电信号的差异影响,传统的机器学习和深度学习方法不能很好地针对脑电数据建立通用的分类检测模型。针对此问题,将每个被试看作独立的域,建立针对脑电数据的多源域自适应的跨被试情感脑电识别模型,并在公开数据集上进行验证。验证结果表明,与单源域模型相比,提出的模型有更好的跨被试特征提取及分类能力。

基于便携式计算设备的传统光学显微镜的AI赋能升级

光学显微镜在生物医学研究和临床医疗中有着广泛的应用。近年来深度学习技术为显微影像的自动分析提供了先进算法支持。然而,目前我国医院和科研单位已安装的显微镜大多没有自带深度神经网络图像分析功能,而设备和软件的升级又需要高额成本。本研究借助便携式计算设备对传统的数字光学显微镜进行人工智能升级,采用Jetson TX2便携式设备运行Faster R-CNN网络对斑马鱼卵显微图像实现了3帧频的分类检测效率,对各类鱼卵的检测敏感度大于0.88,特异性大于0.94,并且所用的便携式设备尺寸小,可以方便地放置在显微镜旁侧。本研究为人工智能赋能传统显微镜提供了一种方便、低廉且具有良好推广性的技术解决方案。

基于多尺度卷积和自注意力机制的觉醒自动检测方法

临床上,觉醒事件主要由睡眠技师手动标注,该方法耗时,且主观性强。本研究通过构建基于多尺度卷积和自注意力的卷积神经网络,用1 min单通道脑电信号作为模型的输入,实现端到端的觉醒事件自动检测。研究结果表明,相较于基线模型,本文所提出的方法的精确召回曲线下面积和受试者操作特征曲线下面积均提升约7%。此外,单模态和多模态对比结果显示,单通道脑电信号可实现觉醒事件的有效检测,而简单的多种模态拼接不能提升模型的性能。最后,基于本文所提出的模型,本研究在同一数据库上又实现了自动睡眠分期(平均准确率73%),展示了模型较好的扩展性。本研究为实现可靠的便携式睡眠监测提供了解决方案,同时任务迁移的使用也为临床睡眠数据的自动分析开辟了新道路。

生命周期不同阶段的幽默理解与加工机制

以往学者们大多将幽默作为一种语言现象进行研究,几乎没人关注幽默的神经心理加工过程。现代脑成像技术给学者们提供了一种更为客观的方式,有助于揭开幽默大脑加工的神秘面纱。尽管幽默的认知神经心理机制的研究已经能够帮助人们建立起对人类幽默理解的系统认识,但目前还有很多可扩展的方向:首先,目前的绝大多数研究都以成年人为研究对象,研究的外部效度存在问题,仅有个别研究着眼于儿童和老年人的幽默理解认知机制,应该开展针对其他年龄段的研究,从人类生命周期的角度整合不同年龄段的幽默理解神经心理加工机制发展变化的特点。其次,应着重结合汉语的特点和我国社会发展的特点进行研究,形成中国特色的汉语幽默认知加工理论。