基于交错组卷积神经网络的脑电信号情绪识别研究

利用深度学习算法实现多种情绪的高效准确识别对当前脑电信号情感计算研究具有一定探索价值。常用的卷积神经网络其种类结构较为复杂且存在参数选择问题,针对不同类型刺激素材下脑电信号的情绪分类问题,搭建了一种交错组卷积神经网络的数学分类模型,此模型在经典卷积神经网络的基础上增加了交错组卷积结构。利用增加交错组卷积模块的LeNet-5卷积网络对诱发的不同情绪下脑电信号进行三分类识别,图片、音乐与视频素材刺激下的脑电信号平均识别率分别为98.74%、95.82%与96.06%。对比传统的机器学习分类算法的识别效果,轻量化结构卷积神经网络的收敛速度和情绪识别准确率均有明显提高,且鲁棒性更强。

改进的BP神经网络在运动想象脑电分类中的应用

传统BP神经网络算法由于自身结构设置导致反馈调节能力不甚理想,在运动想象(MI)脑电信号多分类问题上的鲁棒性与识别性能有待进一步优化。研究并应用了基于粒子群算法(PSO)与蝙蝠算法(BA)的改进BP神经网络。经过初始编码序列寻优实现对原始BP神经网络的权值与阈值的更新,进而提升BP算法对MI脑电信号的分类识别能力。对2008年BCI竞赛数据MI脑电信号的包络幅值特征进行四分类,平均结果为96.25%。对实验室采集的MI脑电数据作进一步验证,二分类准确率为89.25%。实验结果表明BA-BP模型分类精度相较于PSO-BP方法提高了约24%,迭代效率提升了约50%,一定程度上抑制了BP神经网络算法局部最优的出现。该方法为脑电信号的多分类识别问题解决提供了一种新途径。

基于LDA和KNN的下肢运动想象脑电信号分类研究

基于运动想象的脑-机接口系统(motor imagery brain computer interface,MI-BCI)是一种新兴的康复治疗手段。如何提高MI-BCI的识别准确率,是目前研究中的热点和难点。针对左、右脚的运动想象脑电信号进行分类研究,分别采集了单纯运动想象和含有电刺激辅助范式中的运动想象脑电信号,使用滤波器组共空间模式(filter bank common spatial pattern,FBCSP)进行特征提取后采用线性判别分析(linear discriminant analysis,LDA)与K-近邻法(k-nearest neighbor,KNN)相结合的方法实现分类识别,并与支持向量机(support vector machine,SVM)得到的分类结果进行对比。实验结果表明,LDA+KNN算法在两种条件下得到的平均分类准确率分别为67.5%和84.62%,比SVM算法结果高出了5.29%和6.01%,说明这种改进后的算法适用于下肢的运动想象分类。

基于EMD-ICA的视觉稳态诱发电位运动伪迹去除

脑电信号是大脑中产生的微弱电生理信号,经常会受到心电、眼电、运动伪迹的干扰。伪迹会使脑电信号产生较大的畸变。脑电信号与伪迹信号同属生理电信号。其中,运动伪迹的去除难度较高。采用经验模态分解结合独立成分分析的方法去除视觉稳态诱发电位信号中头部运动伪迹。对比单一经验模态分解与单一独立成分分析去噪算法,经验模态分解结合独立成分分析方法去噪算法效果最佳,去除运动伪迹的同时保留视觉稳态诱发电位固有信号。

彩色多普勒超声在下肢深静脉血栓诊断中的应用

目的 探讨彩色多普勒超声对下肢深静脉血栓（DVT）的诊断价值.方法 将2009年1月-2009年12月间在我院诊疗的下肢DVT患者36例进行彩色多普勒超声诊断,并了解其诊断价值.结果 彩色多普勒超声诊断准确率为100.00%.急性下肢DVT 25例,二维超声显示：栓塞静脉增宽,呈中低回声,管壁无增厚,管腔加压不能被压闭;CDFI可探及条状血流信号或无血流信号.亚急性和慢性下肢DVT 11例,二维超声显示：管壁与血栓界线欠清,管壁增厚,呈高回声;CDFI可探及条带状血流,可见丰富的侧支血流.结论 彩色多普勒超声对下肢DVT的诊断准确性高,操作方便,值得应用.

三维彩色多普勒超声诊断胎儿水肿合并胎儿骨骼发育异常一例

患者女,25岁。孕26周,无特殊不适,到我院行常规产前检查。三维彩色多普勒超声检查发现：双顶径6.5 cm,股骨长4.1 cm,胎心率146次/min。胎儿头部、躯干及四肢皮下软组织均明显肿胀、增厚,最厚处达1.0cm。胎儿心包腔、