基于近似熵快速算法的静息态脑磁信号分析

为了探究静息态精神分裂症患者脑磁信号的非线性动力学特性,提出了一种将小波变换和近似熵相结合的特征提取方法.该方法首先通过小波变换,将10个正常人和10个精神分裂症患者的脑磁信号进行6层小波分解,提取对应于脑磁信号θ波段和α波段的小波系数,继而计算和比较两类人近似熵的分布情况.实验结果表明,相同情况下精神分裂症患者MEG信号的各脑区和各通道间的近似熵都普遍高于正常人,α波段的额叶和中央区域尤为突出.该结果为进一步研究患者MEG信号特征进而建立相应的分类诊断模型提供了思路.

基于CSP与WPD算法的脑磁信号特征提取研究

针对两类人(精神病患者和正常人)的静息态脑磁信号(MEG)的分类问题,提出一种小波包分解(WPD)和共空间模式(CSP)相结合的特征提取方法。利用小波包对训练集的多路脑磁信号进行分解,再利用共空间模式算法对不同分解层子带的脑磁信号进行特征提取,使用经典的K近邻算法进行特征值分类。仿真实验结果表明,使用低频段(0Hz^4.7Hz)的脑磁信号进行CSP分解,选择5个特征值进行分类,可以得到高达91.7%的正确率。实验证明该方法提取的特征比较明显,是脑磁信号特征提取的新思路。

基于多维复杂度的精神分裂症脑磁信号区分

为了更有效地识别脑磁信号,提出一种基于多维复杂度的脑磁信号分类方法。首先提取信号的AR模型系数、频带能量、近似熵和Lempel-Ziv复杂度作为特征。然后运用增L减R搜索算法结合距离准则选择通道。最后采用遗传算法选择特征子集,分别运用BP神经网络和SVM分类器检测特征子集的性能并对信号分类。实验结果表明精神分裂症患者的近似熵和Lempel-Ziv复杂度都高于正常人,患者的脑磁信号可能更加复杂。增L减R搜索算法选择的通道大多分布在颞叶区,即颞叶区域的通道可能携带了更多的差异信息。采用BP神经网络和SVM对特征数据分类,分别得到了98.5%和99.75%的正确率。

基于多指标融合小波包分解与SVM的脑磁信号分类

脑磁信号作为一种新的脑机接口输入信号，由于其信号微弱，背景噪声强，是一种随机性很强的非平稳信号．所以在引进了小波包分解基础上，利用多指标融合方法确定最佳分解尺度后，把该尺度下的分解系数作为脑磁信号的特征向量，并利用三种不同核函数的支持向量机对该特征向量进行学习选出最佳参数，然后对含有手运动方向模式信息的脑磁信号进行测试，并与其他5种算法进行比较，其平均分类正确率低于PCA与LDA融合的方法和改进半监督聚类方法，但超过了EMD与AR融合的方法，EMD与Hillbert变换融合的方法以及MVAR与MPCA融合的方法．实验表明了算法在非高斯、含噪声的脑磁信号分类是有效．

基于时域平滑约束的脑磁时序信号逆问题求解方法

由脑磁时序信号重建脑内时序神经信号时,除了要保证重建信号位置和强度的准确性,还要避免重建源信号在时域上瞬变.针对这一问题,提出了一种基于时域平滑约束的脑磁时序信号逆问题求解方法.该方法不同于传统最小范数估计算法(Minimum Norm Estimate,MNE),通过引入时域平滑正则算子构造双参数混合正则化,根据广义交叉验证(Generalized Cross-Validation,GCV)原则选取双正则化参数后,根据单正则项的解在源信号中的权重将其进行线性组合估算出源信号.仿真数据实验表明,本文方法比传统MNE方法的总体均方误差小,且各时刻均方误差基本稳定在同一水平;同时本文方法重建的源信号与仿真源信号变化趋势基本一致.真实数据实验发现,本文方法重建结果的曲率变化率为0.0640,而传统MNE方法重建结果的曲率变化率为0.1646.实验结果证明本文方法能重建出空域准确且时域平滑的脑内神经信号.

基于线性约束最小方差的脑磁源定位特性研究

波束形成是一种广泛运用于脑磁信号的偶极子溯源方法,其定位结果的准确度是目前研究的一个关键点。基于电流偶极子模型,以相关系数和定位误差作为评价标准,研究了不同头模型、不同伪迹噪声对线性约束最小方差定位算法的影响。通过计算机软件,在脑内已知位置设定已知源信号,采用不同头模型进行前向问题计算并叠加不同噪声,对模拟的真实脑磁信号进行逆问题的求解,进行源定位与源信号重构。仿真结果表明,在叠加相同噪声的情况下,采用不同头模型在较低信噪比下对算法的影响有一定差异,而在信噪比高于-10分贝的条件下,则对算法几乎没有影响,能达到较好的定位效果。在采用相同头模型的情况下,叠加不同类型的噪声伪迹所产生的影响各不相同,其中高斯白噪声产生的影响最大,有色噪声次之,基线漂移产生的影响最小。

利用脑磁图-多重信号分类算法求解真实头模型中磁源定位问题

脑磁图 多重信号分类 (MEG MUSIC)算法与常见的利用时域空域数据定位多偶极子源的全局优化方法相比 ,具有求解速度快、独立确定各偶极子源的位置、求解难度与偶极子数量无关等优点 ,在偶极子数量较多的情况下 ,MEG MUSIC算法的优势显得更为突出 .利用MEG

基于构造Hankel矩阵的SVD陷波方法

提出一种新的通过加入引导信号构造Hankel矩阵经奇异值分解(SVD)滤除相应频率成分的陷波方法。根据待处理信号构造的Hankel矩阵,经SVD后其奇异值对应信号中不同频谱幅值的频率成分,提出加入某特定频率信号作为引导信号使得该频率成分成为信号中的主成分,形成易区分的奇异值对,在信号重构时除掉该奇异值对便可滤除相应频率成分。用本方法对脑磁信号进行50Hz工频陷波处理,达到了很好的陷波效果,且该方法不受传统滤波器陷波越深受影响带宽越宽的限制。

基于小波包基与能量熵的MEG自动分类方法

脑磁信号中包含许多与精神疾病相关的生理信息,是判断神经系统出现各种异常活动的重要依据,对脑科学的研究具有十分重要的意义。为了提高正常人与精神分裂症患者的MEG数据的分类精度,文中提出了一种基于小波包基与能量熵的脑磁特征提取与识别的方法。该方法首先将经PCA降维后的MEG数据进行小波包分解,并结合小波熵从小波包库中选择最优小波包基,然后对选出的最优基所对应的小波系数进行幅度调制求取能量熵,并求取包络能量熵的统计特性构成分类特征向量,最后输入到SVM分类器,实现MEG数据的自动分类。实验结果表明,该方法的分类准确度可达到97.586 8%。说明文中提出的特征提取方法能够有效提取脑磁信号的特征,提高分类精度;也将为精神分裂症的诊断和严重程度的评估提供选择依据。

基于EEMD和GA-SVM的精神分裂症MEG识别

为了研究脑磁图(MEG)信号在识别精神分裂症方面的应用,文中提出了一种基于总体经验模态分解(EEMD)和希尔伯特(Hilbert)变换的识别方法。在对正常人和精神分裂症患者的脑磁信号进行预处理的基础上,通过EEMD方法将信号分解为一系列的固有模态函数(IMFs),然后使用Hilbert变换求取固有模态函数的瞬时频率和振幅,由希尔伯特-黄幅度谱(HHS)和边际谱(MS)可以发现两类信号的差异;接着选取与原信号相关性较高的前9个IMF的瞬时频率和振幅归一化后计算Hilbert加权频率;最后,利用经遗传算法(GA)优化的支持向量机(SVM)分类器进行分类,并与k近邻(KNN)分类器的结果进行对比,得到的分类精确度分别为95%和78.33%,验证了所提识别方法的有效性。

在MEG场源定位中小波变换的一种应用

基于小波变换的多分辨率分析 ,利用阈值化概念 ,本文提出了脑磁场源定位分析中的一种降噪方法。用本方法对实验中所检测的由声音产生的脑磁信号进行处理 ,降噪效果明显 ,定位精度由几十毫米提高到几毫米。尤其在对原始信号进行低次数平均的情况下 ,本降噪方法更具优越性。