公共空间模式算法结合经验模式分解的EEG特征提取

常规的公共空间模式分解方法需要大量的输入通道、缺乏频域信息,发展受到限制。为了克服以上缺点,将经验模式分解(Empirical Mode Decomposition,EMD)和公共空间模式算法结合,改变CSP滤波器成分选择方式,提出EMD-CSP算法来获取特征向量。该算法对预处理后的信号进行经验模式(EMD)分解,得到固有模态函数(Intrinsic Mode Functions,IMFs),观察并计算每个IMF分量的能量谱,筛选有效的IMF频段(5~28 Hz),使用改进的CSP滤波器进行滤波获取特征,最后使用支持向量机(Support Vector Machine,SVM)进行分类。分类结果得到9位受试的想象运动平均分类正确率为92%,证实了该算法的可行性与有效性。

EMD和CSP融合最优波长空间滤波脑电特征提取方法

基于经验模式分解和共空间模式,结合最优波长空间滤波,提出了三者相结合的特征提取方法。该方法首先利用经验模式分解进行分解,得到固有模态函数,选择合适的固有模态函数进行信号的重构,然后将重构的信号进行最优波长空间滤波变换,得到最优的波长选择信号,再经共空间模式投影映射,提取相应的特征向量,最后利用支持向量机进行分类。运用该方法对9位受试者进行分类结果分析,平均分类准确率在95%以上,实验表明,提出的算法具有较好的分类识别性。

改进CSP算法的联合特征优化法

传统的公共空间模式分解需要大量输入通道、缺乏频域信息,文章分别从改进CSP滤波器、构建关于CSP的联合特征、优化识别过程三个方面完善CSP算法的不足。首先,提出基于S变换的公共空间滤波器成分选择算法--CSPS。并将CSPS与EMD、EEMD、双谱分析结合,构建EMD-CSPS、EEMD-CSPS、双谱-CSPS三种联合特征并比较判别效果。最后,使用优化后的联合特征,一方面,对支持向量机惩罚因子和内核参数进行优化,确定惩罚因子最优取值范围和最具分类稳定性的内核函数;另一方面,分别采用支持向量机和线性判别分析进行特征识别与比较。文章设计了左右手想象运动思维任务实验,获取实验数据集,并结合BCI竞赛数据集,从分类正确率和响应时间两个指标出发,分析各优化方法有效性。结果表明:采用S变换优化后的双谱-CSPS特征在LDA分类器下,获得较高的分类正确率和较低的系统建模时间。

基于S变换和共空间模式的运动想象脑电特征提取

针对共空间模式算法运用于运动想象脑电信号特征提取分类正确率低、计算实时性差等问题,提出运用S变换结合共空间模式算法对脑电信号进行特征提取方法。经过S变换后的信号具有更加明显的时、频、相特征,再运用共空间模式算法提取特定任务信号成分的特征,最后用支持向量机进行分类。实验结果表明:在S变换采样数较多的情况下,平均正确率达到92.8%,大大超过单纯使用共空间模式算法的正确率。如果降低S变换的采样率,系统实时性得到大幅提升,平均运行时间仅为0.85 s,平均分类正确率可达89.8%,比仅运用共空间模式算法的运行时间缩短30.9%。可见,不仅可提高运动想象脑电信号的分类正确率,还可以提高分类的实时性。

肠道双歧杆菌与心房颤动的相关性研究

目的分析肠道双歧杆菌丰度与心房颤动的相关性。方法纳入2019年6~9月在哈尔滨医科大学附属第一医院就诊的窦性心律和心房颤动患者各70例。收集粪便样本并记录基本临床信息,qRT-PCR定量检测双歧杆菌水平,采用单因素和多因素logistic回归分析双歧杆菌与心房颤动的相关性。结果与窦性心律者相比,心房颤动患者左房内径明显增加(45.3 mm比37.7 mm,P<0.001),粪便Bifidobacterium animalis ssp.lactis(P<0.001)和Bifidobacterium breve(P<0.001)丰度显著降低。与阵发性心房颤动患者相比,持续性房颤患者Bifidobacterium animalis ssp.lactis(t=3.27,P<0.01)和Bifidobacterium breve(t=6.54,P<0.001)丰度进一步降低。Logistic回归分析结果显示,左房内径(OR=1.54,95%CI:1.22~1.89,P<0.001)、Bifidobacterium animalis ssp.lactis(OR=0.47,95%CI:0.18~0.97,P<0.01)和Bifidobacterium breve(OR=0.23,95%CI:0.12~0.98,P<0.001)与心房颤动独立相关。结论肠道Bifidobacterium animalis ssp.lactis和Bifidobacterium breve可能影响心房颤动的发生发展。

EMD融合PSD、CSP的脑电特征提取方法

为了提高运动想象分类精确度,提出一种基于经验模式分解(EMD),并结合功率谱密度(PSD)和公共空间模式(CSP)的特征提取算法。首先将采集的脑电信号进行预处理,再对信号使用EMD算法得到多个固有模态函数(IMFs)。通过计算每次实验原始脑电信号与各阶IMF分量之间的相关系数,并计算所有实验得出的相关系数的绝对值的平均数,选择具有较大相关系数绝对值平均数的固有模态函数,计算其功率谱密度作为特征,经共空间模式投影映射再提取相应的特征向量,并用支持向量机(SVM)进行分类。对9名受试者的运动想象进行分类结果分析,得到的平均分类正确率在96%以上。最后将该方法与其他方法做比较,证明了该算法的可行性。