诱发电位潜伏期变化检测中基于谱函数特性分析的参考信号构造方法

诱发电位信号潜伏期变化的自适应检测对于诊断中枢神经系统的损伤和病变具有重要的意义。在以往的潜伏期变化估计算法中,往往采用通过累加平均的方法得到的近似纯净的EP信号作为自适应时间延迟估计的参考信号。而在临床上。无潜伏期延迟的纯净EP信号是很难得到的。本研究提出了一种基于信号谱函数分析的EP信号构造方法,并将此信号作为参考信号,应用到诱发电位信号潜伏期变化估计中去,得到了良好的结果。

α稳定分布噪声下诱发电位潜伏期变化的自适应检测方法及研究进展

诱发电位潜伏期变化的自适应检测对于诊断神经系统的损伤和病变具有重要的意义。本文介绍了近年来在低阶稳定分布噪声下,利用分数低阶统计量对诱发电位潜伏期变化进行自适应检测的多种方法,并且对各种算法进行了分析比较。

α稳定分布噪声下诱发电位潜伏期变化的自适应检测

在传统的诱发电位 (EP)信号分析处理中 ,通常假定带噪 EP信号和 EEG等噪声是高斯分布的。但是 ,这种假定并不符合信号和噪声的真实特性。本文依据分数低阶矩理论 ,分析了 DL MS自适应算法在低阶 α稳定分布噪声条件下退化的原因 ,综述了 DL MP、SDA和 VSDA等在高斯和低阶 α稳定分布噪声条件下具有较高韧性的自适应 EP潜伏期变化检测估计方法 ,给出了 DL MP在非高斯噪声环境下保持韧性的原因 ,并且指出了在这一领域有待于进一步研究的若干问题。

一种基于脑电信号分析的中枢神经系统损伤检测的韧性自适应方法

根据带噪EP信号的α稳定分布特性和分数低阶矩理论 ,本文分析了DLMS自适应算法在低阶α稳定分布噪声条件下退化的原因 ,并从理论上研究了由本文部分作者提出的DLMP诱发电位潜伏期变化自适应估计算法在高斯和非高斯环境下的韧性及其保持韧性的原因。理论分析和计算机模拟以及实验数据分析的结果表明 ,α稳定分布噪声模型是一种适合于描述带噪EP信号统计特性的随机噪声模型 ,基于分数低阶矩的DLMP自适应算法在高斯和低阶α稳定分布噪声环境下均具有良好的韧性。用这种方法所检测估计的EP信号潜伏期变化 ,与神经系统的实际状态和变化一致 ,具有较高的可靠性。