Detection of EEG signals in normal and epileptic seizures with multiscale multifractal analysis approach via weighted horizontal visibility graph

Electroencephalogram(EEG) signals contain important information about the regulation of brain system. Thus, automatic detection of epilepsy by analyzing the characteristics obtained from EEG signals has important research implications in the field of clinical medicine. In this paper, the horizontal visibility graph(HVG) algorithm is used to map multifractal EEG signals into complex networks. Then, we study the structure of the networks and explore the nonlinear dynamics properties of the EEG signals inherited from these networks. In order to better describe complex brain behaviors, we use the angle between two connected nodes as the edge weight of the network and construct the weighted horizontal visibility graph(WHVG). In our studies, fractality and multifractality of WHVG are innovatively used to analyze the structure of related networks. However, these methods only analyze the reconstructed dynamical system in general characterizations,they are not sufficient to describe the complex behavior and cannot provide a comprehensive picture of the system. To this effect, we propose an improved multiscale multifractal analysis(MMA) for network, which extends the description of the network dynamics features by focusing on the relationship between the multifractality and the measured scale-free intervals.Furthermore, neural networks are applied to train the above-mentioned parameters for the classification and identification of three kinds of EEG signals, i.e., health, interictal phase, and ictal phase. By evaluating our experimental results, the classification accuracy is 99.0%, reflecting the effectiveness of the WHVG algorithm in extracting the potential dynamic characteristics of EEG signals.

简化EEG为符号序列及对其复杂度的研究

本文将ＥＥＧ简化为符号序列并用复杂度算法对其进行分析。为获得更好结果，对ＥＥＧ的简化方法作了一些改进，提出计算脑电信号的高阶复杂度；为利用脑电信号中的空间信息，又提出计算脑电信号的空间相关复杂度。计算了多例正常人和癫痫病人的各阶复杂度及空间相关复杂度，获得了较好的结果。

基于时间序列复杂网络的癫痫脑电分类研究

大脑是一个高度复杂的系统,而且脑电信号噪声背景强,信号微弱,传统的脑电信号特征提取方法不能全面反应脑电信号的特征信息,因此,提出一种与复杂网络理论的相结合,以时间序列为基础构造复杂网络的癫痫脑电分类方法。首先将癫痫脑电信号的时间序列分段处理,每一段作为网络的一个节点,通过Pearson相关计算节点之间的关系来构造网络的连接矩阵,然后通过连接矩阵计算网络特征参数,并对特征参数进行统计分析构造特征向量,最后,使用SVM、逻辑回归和K-NN等分类器进行分类研究。结果显示,该方法对数据集A-E、AB-CDE和ABCD-E的分类准确率分别达到96.67%、94.00%和94.33%。实验结果表明,作为传统时间、频率分析的替代方法,该方法是可用于对脑电信号进行模式识别分类的,能够有效对癫痫脑电信号分类识别。

基于噪声辨识系统状态的符号混沌特征

动力系统含噪原因甚多,由于人类认识自然的能力有限,系统含噪几乎不可避免.当系统存在随机谐振或阈上随机谐振,或者系统具有非线性属性时,噪声常常有助于信号的传输或处理.故可考虑利用系统含噪程度的差异对系统进行状态辨识.由时间序列获得符号序列并得到其符号时间序列直方图后,可分别对直方图幅值计算混沌参数和符号参数,是为时间序列的符号混沌特征.有鉴于此,将复杂系统输出的时间序列变换为符号序列后进行符号分析和混沌分析,可形成一种带噪辨识复杂系统状态的新方法.

基于多变量符号转移熵的癫痫脑电分析

大脑神经元细胞群的异常同步放电是癫痫的病因,这种异常放电是目前诊断癫痫的重要依据。利用复杂度理论来分析癫痫信号已经成为研究热点,而符号转移熵是反应系统混乱程度的一种非线性指标,在研究癫痫脑电信号特征的提取中有重要的作用。符号转移熵一般都是用来衡量两个变量之间的动力学特征及方向性信息,忽略了多个变量之间相互作用。本文基于多变量符号转移熵研究分析了癫痫脑电信号,实验中将原始信号符号化后通过数值分析,对导联信号及信号长度的选取以及稳健性分析,表明该方法能够对正常人与癫痫病人的脑电信号进行显著区分,且该算法稳健可靠,该研究结果对临床辅助诊断有帮助。

脑电信号分析的实用符号动力学方法研究

符号动力学分析是脑电分析的一个新的研究方向,符号熵可以较好地反映非线性信号的复杂程度,具有简单、稳定的特点。本文提出了一种新的符号化方法——差分符号化,即在观测数据的切空间中进行符号动力学分析,并进一步比较了不同符号化参数对符号熵的影响。通过对不同生理状态下的脑电信号数据的对比分析表明,应用此方法可以显著地区分出正常与癫痫及睁眼与闭眼等病理及生理脑电信号的复杂度变化情况,对建立客观的脑电信号评价标准、准确进行定量分析具有重要的意义。