基于黎曼与巴氏距离的脑磁图信号分类方法

针对人脑对不同视觉目标刺激产生的脑磁图(magnetoencephalography,MEG)信号,提出了一种新型的脑磁图信号分类算法。该算法首先将滤波后的脑磁图信号投影到新的特征空间,然后将脑磁图信号投影后新特征的协方差特征投影到切线空间中,用协方差特征作为信号的特征,进而对样本进行预分类;接着将预分类的样本通过巴氏距离的调整,得到二次标记结果;最后采用黎曼距离对协方差特征矩阵在流形上进行调整,得到最终的分类结果。实验结果表明,该有监督与无监督相结合的算法有助于提高脑磁图信号分类的准确率。

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。

用于构建脑磁图网络的信号提取方法

构建脑磁图功能网络时,一般选取各脑区功率最强的源信号代表其神经活动,这将造成信息损失.针对此问题,提出了2种改进方案:基于叠加平均的方法和基于聚类的方法.为了验证上述方案,选取了51例被试任务状态下的脑磁数据,对其各频段利用最大功率、叠加平均、聚类3种方法进行信号提取,然后对以其构建的脑功能网络进行k均值聚类分析,此外,对以上3种方法构建的脑网络特征进行分析比较.结果表明:叠加平均方法的准确率最高、最大功率次之,聚类方法准确率最低;脑网络特征分析结果发现基于叠加平均和最大功率方法构建的大脑网络具有较强的小世界属性,而使用聚类方法构建的大脑网络其小世界属性较弱.基于本研究初步得出结论,采用叠加平均和最大功率信号提取方法构建脑磁图脑网络具有可行性.

脑磁图(MEG)常见问题

1、什么是脑磁图? 脑磁图是英文Magnetoencepha1ography中文译名,简称MEG.脑磁图是无创伤性探测脑电磁生理信号的一种脑功能检测技术,对人体完全无副作用,检测安全简便.

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

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。

小波变换在MEG场源定位中的应用

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。