基于脑部电阻抗信息的非线性动力学脑卒中诊断方法

缺血性脑卒中因其较高的发病率和致残率严重威胁人们的健康.作为缺血性脑卒中病情的诊断手段之一,电阻抗层析成像(Electrical Impedance Tomography,EIT)具有便携、无创、连续监测、低成本的优点.然而,现有EIT研究较多关注单帧检测信息条件下病态逆问题的求解,缺乏对时间序列数据信息的深入分析.提出一种基于脑部电阻抗信息的非线性动力学脑卒中诊断方法,通过EIT连续监测假手术组大鼠和右侧大脑中动脉栓塞模型组大鼠脑部,获取其阻抗变化数据,并采用递归图和递归定量分析等非线性动力学方法对监测信息的非线性特征进行提取,进而获得电阻抗信息与脑卒中病情的内在关联.实验结果表明,所提方法可为缺血性脑卒中的诊断提供依据.

自发脑电Alpha节律的非线性动力学特性研究

针对正常对照组和精神分裂症病人自发脑电,从三个角度获取了a lpha节律波,并对其非线性进行了检验。结果表明,无论是对照组还是病人组的a lpha节律都不具有典型的非线性特征,提示对脑电节律的研究不能盲目采用非线性动力学中的相关理论,要将传统临床研究和信号处理领域有机地结合起来,才能得出有实际意义的结论。

基于高频脑电非线性动力学参数的疾病诊断专家系统研究

应用非线性动力学四个参数对脑电信号进行特征提取,应用BP人工神经网络分析了动力学参数与脑功能障碍以及疾病的关系,采用Visual C#.NET 2005、MS SQL Server 2005和Matlab 7.0技术构建了基于非线性动力学参数的疾病诊断专家系统.通过对该系统进行测试,初步达到根据相关事件的高频脑电信号对实验组和对照组人群进行鉴别分类的目的,从而初步达到病人和正常人的分类效果.

脑电的非线性动力学高维特性及研究现状与展望

80年代以来 ,脑电 (EEG)一直被视为低维混沌信号 ,关于脑电混沌性的检验及对其低维混沌性的质疑 ,是近年来国际学术界的研究热点。目前的研究基本上认证了 EEG的非线性和混沌性 ,却否定了它是源于低维的混沌系统。因此 ,用经典的低维混沌理论和算法去分析研究高维 EEG的适用性和适用条件 ,必须进行探讨和论证。本文简要介绍了近年来的研究现状 ,其中着重介绍了EEG低维简化模型法 ,最后展望了研究的发展前景。

OSASH睡眠脑电信息的非线性动力学分析方法

阻塞性睡眠呼吸暂停低通气综合征(OSAHS)的特征是低氧血症,睡眠结构紊乱,其危害大,发病率高,与心、脑血管病发病有关,积极的治疗可以降低心血管病死亡率。诊断的“金标准”是多导睡眠监测(PSG),目前PSG分析EEG沿用传统的线性分析方法,导致大量信息丢失,只能对OSAHS睡眠进行简单分期,而不能对整夜睡眠结构进行量化分析。通过对OSAHS患者PSG的EEG信号非线性动力学领域复杂性测定,评估OSAHS患者睡眠紊乱与呼吸道解剖及生理状态间的关系,预测其病理变化,从而达到对OSAHS进行早期干预的目的。

非线性动力学分析方法在神经康复领域中的应用进展

人体生物信号包括心电、脑电、肌电等电生理信号和血压、脉搏等非电生理信号,其信号的复杂性能够准确反映人体的生理病理状况:这些信号是人体生理、病理信息的载体,已经被证明是混沌信号,它们具有信号弱、噪声强、频率范围较低、随机性强、复杂度高等非线性动力学特征;传统线性分析方法是将复杂的信息化整为零进行研究,缺乏对信息的全面了解和综合分析;但由于人体各种生物信号是一个复杂的整体系统,不能简单地归结为部分之和,其各部分之间的相互作用是非线性的叭因此.非线性动力学分析方法更为适用一本文将综述非线性动力学在脑电、肌电、步态、声音等信号分析中的应用,为神经损伤疾病的早期诊断、康复评价、预后预测等提供有价值的指导。

癫痫脑电信号的非线性分析方法

癫痫是大脑神经元过度放电而导致的一种大脑功能障碍性疾病,癫痫发作对大脑的损害是不可逆的.目前,针对癫痫常用的几种非线性动力学分析方法包括相关维数,Lyapunov指数,复杂度等.这些方法可有效分析癫痫患者的脑电信号,对治疗癫痫具有重要临床价值.

有效双谱特征在非线性系统中的应用

将产生非高斯信号的非线性系统信息用高阶统计量中的双谱来表达,以检测非线性系统的二阶相位耦合信息,并用双相干系数定量估计二次相位耦合的耦合程度。通过对比分析典型的非高斯信号(EEG信号)在不同脑功能状态下的双谱结构,选取双相干系数的对角切片及与对角切片平行的其他切片作为特征提取对象,最终对每一切片元素采取求和处理形成有效双谱特征来构造特征向量,并用支持向量机分类器进行分类,取得了良好的效果。这表明用有效的双谱特征分析非高斯信号能更有效地提取有用信息。

严重意识障碍患者康复过程EEG非线性特征与CRS-R评分相关性分析与可视化表征

研究严重意识障碍患者意识康复过程脑电非线性特征与行为学意识量表CRS-R评分之间的相关性,并将非线性特征用于脑功能的可视化表征,为建立脑电非线性特征用于评估严重意识障碍患者意识康复过程提供电生理学依据。采集严重意识障碍患者(最小意识状态(MCS)10例和植物状态(VS)8例)意识康复过程中前后两次安静状态的脑电数据,计算近似熵、样本熵、排列熵和复杂度LZC等4种脑电非线性特征,对比分析非线性特征变化与CRS-R评分变化之间的相关性,并利用脑电地形图将近似熵非线性特征进行可视化表征。结果表明,MCS组和VS组CRS-R评分变化均为显著差异(P<0.01);MCS组的近似熵和复杂度LZC变化为显著差异(P<0.05),而VS组只有近似熵变化为显著差异(P<0.05);MCS组近似熵、复杂度LZC的变化与CRS-R评分变化的相关系数分别为0.851和0.693,呈显著正相关,VS组只有近似熵变化与CRS-R评分变化为显著正相关,相关系数为0.778;近似熵用于患者脑地形图可视化表征具有较好的效果。近似熵非线性特征用于评估严重意识障碍患者的意识康复过程具有一定的可行性。

脑电信号的分形截距特征分析及在癫痫检测中的应用

脑电信号的非线性特征会随癫痫发作而改变,脑电信号的特征分析和检测对癫痫的诊断和治疗具有重要意义。提出对癫痫脑电信号进行毯子维和分形截距的特征分析,并将分形截距应用于癫痫脑电信号的检测。首先提取脑电信号的分形截距和毯子维特征,并对两种特征的均值和方差进行比较,最后使用支持向量机分类器,实现脑电信号的分类检测。发现癫痫发作时脑电信号的分形截距显著高于发作间期,而脑电信号的毯子维在发作前后变化规律则不明显。将分形截距作为分类特征,能有效地区分癫痫脑电与间歇期脑电,具有较强的癫痫脑电检测性能,分类检测的准确率达到96%以上。

精神分裂症脑电基于维数计算的时空复杂度测量

文章用非线性动力学理论 ,分别从两个角度对精神分裂症脑电进行了维数估计。当使用时延嵌入维数法时我们得到了明显高于对照组的相关维数 ,尤其在F7和Fp1,这种增加更为明显 ,我们认为在精神分裂症患者的某些脑区复杂度要高于正常人。而当使用空间嵌入维数法时 ,却得到了不同的结果。这表明在精神分裂症患者的整个脑区可能存在大面积的慢波活动 ,使得整体的复杂度下降。最后 ,文章从三个不同但相关的角度 ,即临床症状学、神经心理学和功率谱估计 ,讨论了基于维数计算的复杂度测量以及他们之间的关系。认为非线性动力学理论可以成为精神分裂症临床诊断的有力的辅助工具。

抑郁症脑电特异性研究进展

抑郁症是以显著而持久的心境低落为主要症状的一组情感性精神障碍疾病,发病率高并遍布各年龄组。随着世界经济的飞速发展、社会生活竞争的日益加剧,全球抑郁症的发病率也快速提升,且患病与自杀事件已呈低龄化趋势,对抑郁症的预防诊治工作亟待重视与研究。以往抑郁诊治多依赖于主观量表评估和医生经验判定,一致性差且误诊率、漏诊率高,缺乏客观有效、方便快捷的定量诊断指标与方法。脑电(EEG)作为一种非侵入式探测大脑皮层神经电活动变化的研究手段,时间分辨率高,含有丰富的中枢神经认知生理活动信息,是获取抑郁症大脑病理变化的客观有效方法,且近年来抑郁症EEG特异性研究已取得部分成果。全面综述抑郁症EEG特征节律、非线性动力学参数、事件相关电位(ERP)响应,以及脑神经网络特异性研究现状、存在问题及解决方案等进展情况,并对未来愿景进行展望,以期推进抑郁诊治方法研究,助力开发更为有效的抑郁防治技术。

基于核谱回归与随机森林的脑电情感识别

利用DEAP情感数据库研究脑电的情感识别问题。首先,使用聚类算法确定情感状态的目标类别;然后,比较了两种不同的特征提取方法:一种是小波变换,另一种是非线性动力学,并研究了基线特征对情感分类效果的影响;最后,研究了5种特征降维方法对分类性能的影响,同时比较了4种不同分类器的性能,包括K-最近邻(KNN)、朴素贝叶斯(NB)、支持向量机(SVM)和随机森林(RF)。研究结果表明,核谱回归(KSR)降维方法和随机森林分类器的组合对情感状态的分类效果最好。通过对脑区与情感关系的研究发现,只使用部分脑区的少量电极也可以达到90%的分类准确度,这些电极主要分布在额叶皮层。

量化脑电分析方法及其在癫痫易发作期检测中的应用

对于癫痫患者,癫痫易发作期(seizure vulnerable period,SVP)的检测有助于预测癫痫发作并采取相应的治疗和抑制措施。本文采用量化脑电分析方法研究癫痫易发作期的临床诊断价值。对经过带通滤波预处理的量化脑电信号分析得到反映大脑状态的线性特征量(过零率和谱距)和非线性特征量(最大Lyapunov指数、复杂度、相位同步和互信息),以及比较不同导联之间的特征差异,并将它们应用于慢性颞叶癫痫大鼠模型长时程连续脑电数据和癫痫病人临床脑电数据的分析。癫痫易发作期与正常状态期间对比,分析单个导联特征量变化趋势得到最大Lyapunov指数、复杂度和过零率的值下降,而相位同步、互信息和谱距的值上升;选择两个合适的导联,分析不同导联之间的特征差异是最大Lyapunov指数、复杂度、相位同步、互信息和过零率差异减小或趋于一致,而谱距的差异增大。结果表明量化脑电特征量可以反映癫痫易发作期相对正常状态期间的变化,并且有些特征变化在每次集中发作的第一次发作之前较长的一段时间内就开始了,即进入癫痫易发作期的时刻相对第一次发作时刻在时间上具有一个提前量,这个时间提前量为临床处置提供了前提。

基于MPE-ANN-SVM的癫痫脑电检测分类研究

针对以往检测癫痫的脑电自动分类算法存在泛化性和鲁棒性不足的问题,本研究综合了非线性动力学与机器学习的优点,使用多尺度排列熵(MPE)与人工神经网络提取脑电特征、支持向量机进行分类决策,提出了基于MPE-ANN-SVM的癫痫脑电分类模型。该模型在13例临床数据上多次测试,平均识别率、敏感性和特异性分别达到94.01%、94.51%和93.52%。该模型分类指标均优于同样本下的人工神经网络模型分类结果与支持向量机基线模型,能够为癫痫脑电检测算法研究提供支持。

不同信息类型工作记忆任务中基于脑电的脑力负荷评估

目的探索脑电线性与非线性特征进行跨任务脑力负荷评估的有效性。方法基于N-Back范式分别设计不同信息类型和不同脑力负荷的工作记忆任务,任务执行过程中同步采集18名受试脑电信号,提取信号线性与非线性特征,采用统计分析方法筛选各任务下能够有效反映脑力负荷大小的指标。结果四种任务下,随着任务负荷的增大,额叶Theta能量、Theta/Alpha能量比值及顶叶尺度10以上的脑电信号样本熵均先增大后轻微减小,中央-顶叶Alpha能量则先减小后增大;额叶Theta能量、中央-顶叶Alpha能量及顶叶尺度10以上的脑电信号样本熵特征在字符与客体任务间、两种空间任务间无显著差异,额叶Theta/Alpha能量比值在四种任务间均无显著差异。结论研究结果可为不同信息类型工作记忆任务下的脑力负荷评估提供依据。

皮层脑电时间序列的相空间重构及非线性特征量的提取

对麻醉的SD大鼠在癫痫发作前后两种状态的皮层脑电 (ECoG)的时间序列 ,用多种有效的方法和分析技术 ,使得大量的ECoG时间序列得以正确的分析 ,并得出重要的结论 .首先利用延时坐标法重构吸引子 ;计算互信息函数 ,取互信息函数第一次达到最小值的延时为重构延时时间 ,提出将伪邻点法和Cao法相结合的方法确定最佳嵌入维数 .然后采用非线性预报和替代数据法相结合的方法确定ECoG为混沌时间序列 ,从不同角度得出了ECoG不是低维混沌的结论 .在ECoG相空间重构的基础上 ,计算了最大Lyapunov指数 (LLE) .应用了近似熵这一标量对ECoG进行刻画 ,计算结果表明 :癫痫发作前的皮层脑电的最大Lyapunov指数和近似熵都明显地高于癫痫发作后的 ,这可能为理解癫痫发病机理 ,预报癫痫发作和治疗提供一定的思路 .