基于有限穿越水平可视图的短时睡眠心率变异性研究

心率数据是最易于获取的人体生理数据之一,基于心率变异性的睡眠分析是近年来各种用于日常健康管理的可穿戴设备功能的一个重要发展方向,需要不断探索可以应用于标准睡眠分期时间窗(约30 s)的各类短时特征参数.利用近期报道的有限穿越水平可视图,并进一步提出一种加权有限穿越水平可视图,将不同睡眠状态下的短时心率变异序列映射为网络,进而提取平均集聚系数、特征路径长度、集聚系数熵、路径分布熵、加权集聚系数熵和加权路径分布熵等网络特征参数进行统计分析.结果表明,各网络参数值在醒觉、浅睡期、深睡期和快速眼动期的幅度水平具有显著差异,体现了所述方法在基于短时心率变异数据的睡眠分期中的有效性.同时,进一步研究了健康年轻人和中老年人在不同睡眠状态下的网络参数值,发现两者虽然存在整体的水平差异,但是在不同睡眠状态间的变化仍具有相同的趋势,反映出相对于正常的年龄老化,睡眠调制对心脏动力学系统具有更显著的影响,也说明所述方法可作为基于心率变异性的睡眠研究的一种新的辅助工具.

基于平面域水平可视图的真空灭弧室静态绝缘优化设计与分析

采用平面域水平可视图电场复杂网络建网方法与遗传算法相结合的方法,进行真空灭弧室静态绝缘多目标优化。将一维时间序列水平可视图法拓展至二维电场域,以12 kV/1250 A/31.5 kA真空灭弧室为对象,建立电场复杂网络拓扑,结合平面域可视图法,对比分析各优化区域静态特征量,结果表明本方法度分布分散性小、连边数缩小6倍。此外,结合网络中心节点度值精确计算各优化目标区域权值系数,以找到权重系数分布规律。采用遗传算法,对三个中心节点集中区域的加权评价函数值最小为优化目标的真空灭弧室电场进行多目标优化,得到静态绝缘及网络特征量统计值变化,以验证优化效果。

基于水平可视图多元联合模体熵的多维EEG情感脑电信号识别

目前,许多基于深度学习和神经网络的算法被应用于脑电(electroencephalogram, EEG)信号情感识别.然而,现有研究大多采用提取单维脑电信号特征的方法.随着多传感技术的更新,更具全面性和系统性的多维信号特征提取需求出现.本文尝试将复杂网络研究应用到多维情感脑电识别中,提出一种基于水平可视图多元联合模体熵的情感识别算法,该方法可以有效避免人工选取特征对实验结果的影响,保持原始序列的非线性动力学特征.首先利用水平可视图算法将多维情感脑电信号分别转换为多路可视图网络,提取模体熵特征识别情感脑电研究中的关键频带和关键通道.在此基础上,将水平可视图网络两两联合,提取多元水平联合模体熵向量,作为输入参数对情感脑电信号进行识别.由于情感脑电序列长度会对识别效果产生影响,我们将脑电信号切割成大小不一的窗口,对比不同窗口大小对分类准确率的影响.实验结果表明,当切割窗口大小为10 s时,多元水平联合模体熵对情感脑电信号的识别效果最佳,对积极脑电/消极脑电、积极脑电/中性脑电、消极脑电/中性脑电的分类准确率分别达到95.07%, 97.73%, 90.26%,优于其他二维连接参数.同时,三分类的准确率为93.67%,本文算法无论在识别复杂度和准确率上,与已有算法相比均有较大提高.

专用变压器异常用电检测方法研究

专用变压器是电力系统中连接不同电压等级的关键设备,为了保证变压器的安全稳定运行,设计专用变压器异常用电检测系统,实时监测和采集变压器运行参数。使用STM32F103RBT6芯片作为主控单元作为专用变压器监测终端,使用红外温度传感器采集环境参数和变压器温度。系统基于图卷积神经网络构建异常检测模型,并使用有向水平可视图算法转换专用变压器的时序数据,通过特征池化提取有向水平图的特征向量,经过卷积层和池化层操作后得出异常检测结果。实验结果表明,系统模型的异常检测准确率最大为97.5%,模型运行时间最短为812 ms,检测时间最快为1224 ms。

基于可视图类方法的静息态脑电信号特征分析

基于可视图类方法的脑电网络构建对于区分健康脑电与病理性脑电具有重要的意义。以10名健康志愿者(5男5女)的数据集为研究对象。首先,为脑电的每个通道创建可视图或者水平可视图;接着,构建脑电的多路可视图,并将其映射成复杂网络;进而,计算该网络的传递性、全局效率以及自定义平均权重3个特征;最后,通过T检验法分析闭、睁眼状态下特征分布的差异性。实验结果表明:相较于可视图法,基于水平可视图法获得的特征分布差异性更为显著。

基于加权复杂网络度熵和的癫痫发作检测方法

癫痫发作检测一直是一项富有挑战性的工作,随着癫痫发病率的增加,高性能癫痫自动检测算法在临床上可以减轻医务工作者的工作量,具有重要的临床医学研究意义。提出基于加权水平可视图的癫痫检测新方法。首先利用加权水平可视图将单通道脑电信号转化为复杂网络,并提取生成的复杂网络的度的平方和权重度分布熵两个特征;最后将两个特征之和作为单特征输入到线性分类器中,用来识别癫痫间歇期和发作期信号。对波恩大学的癫痫脑电数据集进行实验,评价所提出的检测算法的性能。使用该癫痫脑电数据集间歇期和发作期各100个实验样本,样本长度为1 024。实验结果表明,所提出的方法具有较高的分类精度,可达到98.5%。由于分类的特征为单特征,所以更加简单高效,可用于癫痫发作在线自动检测。