基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法

针对癫痫发作自动检测算法多集中于时域、频域等传统特征,无法全面表征癫痫脑电信号的信息等问题,本文结合癫痫脑电图中异常波振幅和频率提高的现象,提出一种基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法。该算法使用传统的时域、频域特征,结合尖峰相关性特征对脑电信号进行刻画,使用有监督的机器学习分类器,测试癫痫发作自动检测的有效性和可靠性。本文将提出的方法在开源数据集CHBMIT上进行了评估,获得了96.52%的准确率、95.65%的敏感性和97.09%的特异性。实验结果表明,基于平滑非线性能量算子划分的尖峰相关特征,能够作为癫痫脑电信息的补充,提高癫痫发作检测的性能。

利用EMG运动单位动作电位数目估算法研究痉挛型脑瘫患儿神经元发放特性

目的小儿脑瘫患者的运动障碍分级和康复评估具有重要的临床价值。本文利用表面肌电信号对痉挛型脑瘫患儿的运动神经元发放特性进行研究,旨在为脑瘫患儿的运动障碍评估提供一种量化指标。方法采用平滑非线性能量算子(smoothed nonlinear energy operator,SNEO)算法,对痉挛型脑瘫患儿表面肌电信号中的运动单位动作电位(motor unit action potential,MUAP)数目进行估计,获得MUAP的平均发放间隔(inter-pulse interval,IPI),并根据医生采用的分级结果和健康人MUAP平均发放时限的早期研究结果进行对比验证。结果对14名不同运动障碍级别脑瘫患者的实验结果显示,其肌电信号MUAP的IPI与他们活动度的级别即运动障碍的程度呈正相关的关系,且具有明显差异。结论研究结果表明本文方法有效,采用IPI参数能够反映脑瘫患儿的运动障碍程度。

基于表面肌电信号的小儿脑瘫步态活动段检测研究

本文采用小儿脑瘫患者步行时下肢的表面肌电信号(sEMG),对其步态运动的特征参数进行分析,拟达到对小儿脑瘫患者的临床严重程度进行评估的目的。首先采用综合轮廓法(IP)、样本熵(Samp EN)和平滑非线性能量算子(SNEO)三种方法分别检测仿真步行状态下,下肢双侧腓肠肌激活时的sEMG信号,并对这些算法得到的结果进行精度和运算时间的比较研究,最后确定了三种算法中性能比较优良的SNEO算法,然后再利用实测的小儿脑瘫患者的sEMG信号,对患儿步态活动段进行检测和标定。研究结果表明:三种算法在sEMG步态活动段的划分中精度的差异没有统计学意义,但SNEO算法具有运算速度快的优点,适用于sEMG信号的步态活动段检测;小儿脑瘫患者的脑瘫程度与其sEMG信号的步态活动段平均长度呈正相关关系,三种不同程度脑瘫患儿的步态活动段长度差异具有统计学意义。通过本文研究结果,我们提出或许可以考虑将步态活动段平均长度作为一种评估脑瘫程度的辅助定量化指标的新思路。