基于动态加权符号互信息与k均值聚类的帕金森病患者静息脑电关联状态识别

目前,帕金森病发生率在逐渐上升,严重影响着患者生活质量,社会诊疗负担不断加重。然而,该病的早期监测手段有限,很难及时干预。为了发现其标志物,本文对服药前后帕金森病患者及健康人的32通道静息态脑电数据进行分频段研究。首先利用动态加权符号互信息计算各通道脑电信号间相关性,再通过k均值聚类实现信号关联矩阵的分类,最后得到脑电信号关联状态。通过统计分析发现,在Beta频段(P=0.034)与Gamma频段(P=0.010)各有一个脑电信号关联状态可显著区分未服药帕金森病患者与健康人。这表明未服药帕金森病患者与健康人的静息态脑电各通道信号相关性差异有统计学意义。而在服药与未服药帕金森病患者、服药帕金森病患者与健康人之间,其关联状态差异均没有统计学意义。这可为帕金森病的临床诊断提供一种参考。

EEG和ECG信号的非线性耦合在睡眠分期中的应用研究

目的:研究脑电(electroencephalogram,EEG)、心电(electrocardiogram,ECG)信号间的符号互信息(sign mutual information,SMI)和符号转移熵(sign transfer entropy,STE)在睡眠分期中的应用,为实现自动睡眠分期提供新思路。方法:使用9名受试者整夜睡眠数据,以30 s同步EEG、ECG信号为一个样本,计算睡眠各时相EEG、ECG的SMI和STE。分析不同睡眠时相间SMI和STE值的差异性,并对睡眠各期的SMI和STE特征作统计学分析,验证分期效果。结果:每名受试者睡眠五期SMI、STE有明显的规律性,且各时相间STE值差异大多有显著统计学意义,分期效果更优于SMI。结论:SMI和STE两种特征可用于睡眠分期,且具有普遍性,为研究睡眠自动分期提供了重要思路。