EEG信号的径向基函数神经网络预测

基于混沌动力学系统相空间的延迟坐标重构及人工神经网络的非线性特性。研究了采用基于自适应投影学习算法的径向基函数网络对实测的EEG信号进行预测。通过对径向基函数引入一宽度调节系数α ,使网络的预测性能有较大提高。理论分析和研究结果表明 :α的取值由EEG信号的关联维数D2 决定 ,α在最佳区间内取值能够更有效地对EEG信号进行预测。

基于状态空间的EEG信号分析

为寻求脑电(Electroencephalogram,EEG)分析的新途径,提出了一种基于状态空间的脑电分析的新方法.利用状态空间点间的欧氏距离来计算脑电状态空间的态密度和态方差.实验结果表明,态密度和态方差不仅计算简单,而且与脑电的关联维数和Lyapunov指数相比,更能有效地反映混沌系统非线性动力学的特征.此外,还计算了基于距离协方差的脑电信号的奇异谱,并对结果作了分析.

局灶性缺血脑损伤EEG信号的复杂度研究

建立了一个局灶性缺血脑损伤实验模型，记录缺血前到缺血３０ 分钟缺血区域与正常区域的ＥＥＧ，分析了其复杂度。发现缺血引起ＥＥＧ 复杂度发生明显的变化，在整个缺血实验过程中，缺血区域的ＥＥＧ 复杂度小于正常区域，两个区域ＥＥＧ 复杂度之差呈增大速率渐低的增长趋势；损伤发生时，损伤区域的ＥＥＧ 复杂度小于正常值。用复杂度分析的结果与我们对同一实验的离散Ｇａｂｏｒ谱分析结果以及ＨＥ染色分析和热休克蛋白（ＨＳＰ）分析结果相一致。ＥＥＧ 复杂度对局灶性缺血脑损伤十分敏感，可以对损伤程度进行诊断，对损伤区域进行定位，有望进一步成为临床应用的一个指标。

EEG信号的Volterra滤波器自适应预测研究

基于 Takens的相空间延迟坐标重构及大量的非线性系统可以用 Volterra级数表征这一特性 .研究了利用 FIR乘积耦合近似实现的三阶 Volterra级数滤波器结构对具有高维混沌特性的 EEG信号进行预测 .数值仿真结果表明 ,这种滤波器结构能够有效地对 EEG信号进行预测 .

利用EEG信号的小波包变换与非线性分析实现精神疲劳状态的判定

EEG(脑电)信号的4个节律(δ波、θ波、α波、β波)与人的精神疲劳状态有对应关系,不同节律的能量值及其非线性特征参数可以用于疲劳状态的判定。本文首先利用小波包分解与重构技术,构造了以"db20"为基小波函数的6层分解,得到EEG信号的4个节律。然后,对4个节律信号分别计算相应的节律的频带能量比例值,这些频带能量比例值作为对人体精神状态进行评价的量化指标。通过计算EEG信号α波的非线性特征参数,包括最大Lyapunov指数、近似熵、复杂度,并将这些非线性特征参数组成疲劳状态的综合评估判据,可以实现疲劳状态的判定。10组EEG信号的分析结果表明了该本文方法的有效性,其中对疲劳和非疲劳状态的判定准确率较高,而对轻微疲劳、中等疲劳和严重疲劳三种状态的准确区分稍差一些。

思维状态的EEG信号分类方法研究

脑电信号(EEG)是一种研究脑活动的重要信息来源,基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。运用时域回归方法对2～5种不同思维脑电信号进行预处理,用AR模型提取信号分段前后特征,最后用BP算法进行分类。并对分段前后的分类结果进行比较,实验表明,该方法达到很好的分类效果。

基于神经网络的光标上下移动EEG信号分类方法

脑电信号(EEG)是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。在此主要通过时域回归方法对BCIⅡ竞赛数据进行EEG信号去噪预处理,运用6阶AR参数提取脑电特征作为神经网络的输入,最后用Matlab 7.0进行仿真,得到分类正确率为90%。实验表明,该方法可以达到很好的分类效果。

基于小波变换的EEG信号癫痫棘波检测

基于小波变换的多分辨率、相对带宽恒定、良好的时频局部化特性,一种利用连续小波变换对实测的脑电信号进行癫痫棘波分解并检测的方法,能够方便而有效地对脑电信号中的癫痫棘波进行检测。

基于PNN神经网络的EEG信号分类方法研究

主要对不同思维脑电信号运用时域回归方法进行预处理,然后用AR模型提取特征,最后应用PNN算法对AR系数特征进行分类.实验表明,此方法可以达到很好的分类效果.

基于EEG信号分析处理的癫痫预报及研究进展

癫痫是一种常见的脑部疾病,对癫痫发作进行预报具有重要的临床意义。本文回顾了基于EEG信号分析处理的癫痫预报的历史,并综述了时域、频域、非线性动力学和智能分析技术在发作预报上的应用。

EEG信号识别中可调优化Q因子小波变换的多特征融合算法

EEG信号对脑部疾病诊断具有重要意义,但其特征选择对信号识别准确率影响较大.针对这个问题,本文基于Q因子小波变换,提出一种可调优化Q因子小波变换融合多维特征的脑电信号识别(Ad-TQWT MF)算法.该算法首先根据小波分解后的子带信号定义能量香农熵比,用其作为可调Q因子小波的优化评价标准;再融合变换后信号的时域,频域和非线性特征,通过自适应特征选择方法构建特征子空间;最后在该特征子空间下对脑电信号进行识别.在BCI脑电竞赛数据集DatasetⅢ,O3VR,X11b和S4b进行了实验,实验结果表明:Ad-TQWT MF算法在LDA分类器中精度为89.2%,81.2%,83.2%和85.6%,相比于原Q因子小波变换,冗余特征减少10%~30%,相较于Haar和Db 4小波精度提高3%~5%,证明了Ad-TQWT MF算法的有效性.

自适应信号处理应用于EEG信号检测与分段

基于自适应ＲＬＳ格型结构及段及检测方法，可改善自发脑电信号ＥＥＧ的自适应分段性能。通过模拟和实际信号的实验结果，分析说明了几个主要系统参数的特性和作用。

基于EEG模糊相似性的癫痫发作预测

本研究提出基于EEG序列模糊相似性指数方法预测癫痫发作。首先,结合复自相关法和Cao法对EEG序列进行了相空间重构;然后,计算相关积分时用Gaussian函数代替Heavyside函数,克服了Heavyside函数的刚性边界问题,使得计算相似性指数更加准确和可靠;最后,分析大鼠癫痫EEG信号,检测癫痫发作前期状态。分析结果表明模糊相似性指数方法能够比动态相似性指数方法获得更长的预测时间和更低的错误预测率。

老年痴呆患者的EEG信息熵比较分析

运用非线性动力学方法比较分析了老年痴呆(AD)患者与同龄正常人的脑电(EEG)信息熵特征,初步表明AD患者头皮各导联处EEG信号的信息熵均显著低于同龄正常人的相应值,下降的相对幅值达22%以上.研究结果提示,可考虑试用信息熵作为AD临床诊断的特异性指标.信息熵在生物医学工程,尤其在临床医学工程中具有潜在的重要的应用价值,值得进一步深入研究.

利用小波级数检测癫痫EEG中的棘波

目的研究自动提取癫痫脑电中棘波。方法把ＥＥＧ信号分解成小波级数，在各个尺度上，利用信号细节在两个过零点之间的平均振幅确定瞬态波形的大小，通过选择平均振幅中的局部极值检测棘波。结果对６位患者的ＥＥＧ信号进行处理，检测棘波的正确率为７９．６６％。

基于拓扑数据分析的驾驶疲劳EEG数据处理与优化分析研究

为提高驾驶疲劳脑电(EEG)数据处理与分析的准确性和鲁棒性,提出一种基于拓扑数据分析(TDA)的驾驶人疲劳脑电分析方法。首先利用汽车性能虚拟仿真平台开展驾驶实验,通过驾驶人状态反馈和面部特征视频,标记脑电数据,形成清醒和疲劳二分数据集。之后利用EEGLAB预处理数据,剔除噪声并保留0.3~30 Hz频带,直接从时域EEG数据中提取拓扑特征。此外还提取了经典频域特征α波能量和α/β用于对比分析。最后使用支持向量机进行分类。结果表明,基于持久同源(PH)的拓扑特征取得了高达88.7%的准确率和91.4%的召回率,与经典频域特征性能相当,且对脑电伪影的鲁棒性明显更好,在未剔除EEG伪影的情况下仍取得了87.4%的准确率和89.7%的召回率。综上所述,本文提出的用于驾驶疲劳脑电信号处理与分析的TDA方法抗干扰特性好、处理成本低、经济性高,有助于稳定、高效地处理驾驶人脑电数据并检测驾驶疲劳状态,具有较大的科学实际应用价值。

基于灰关联分析的脑电信号识别新方法

脑电(EEG)信号具有随机性、非平稳性和实时性,通常受到很强的噪声干扰。文章采用灰色信号处理技术,通过建立GM(1,1)模型对提取实测EEG信号特征,提出灰关联分析的方法对建模后的数据进行分类识别,通过对两次识别结果的综合,获得了较高的正识率。

基于加权KNN算法的脑电信号情绪识别

情绪与人类的行为、家庭及社会密切相关。情绪不仅能反映人类的各种感觉、思想和行为,而且也是各种外部刺激所产生的心理和生理反应,所以在很多领域中对情绪的正确识别十分重要。情绪的变化会导致脑电图(EEG)信号发生变化,反之,这些变化也反映了情绪状态。基于DEAP数据库,对EEG信号进行时域特征和频域特征提取,通过PCA主成分分析法对特征进行降维处理。利用加权KNN算法进行5折交叉验证训练,最终对兴奋(excited)、放松(relaxed)、沮丧(depressed)、愤怒(angry)4种情绪状态的识别准确率达到80%。

基于卷积神经网络的脑电信号上肢运动意图识别

为了在脑机交互中能够对运动意图进行识别,使设备能够预判人的行为动作并提前作出反应,脑电(EEG)信号运用学习过程去解码,并建立识别机制.针对传统生物信号模式识别模型中手动提取特征可能会产生信息损失的问题,引入深度学习的卷积神经网络(CNN),并和目前广泛使用的两种特征提取方法使用BP神经网络分类进行对比.结果显示,CNN在左、右手2分类动作和单手3分类动作中,提高识别精度分别约为4%和8%,增加了动作预测的可靠性.通过对上肢运动意图识别的讨论,可以更好地进行脑机交互控制,并加深对中枢神经信号与手部动作关系的理解.

基于脑电信号模糊熵的驾驶疲劳检测分析

为减少因驾驶疲劳导致的交通安全事故,提出基于脑电（EEG）信号模糊熵（FE）的驾驶疲劳检测方法。开展在驾驶仿真模拟试验,采集28名被试模拟正常驾驶和疲劳驾驶的EEG信号;基于2种驾驶状态的EEG信号计算出FE值;运用随机森林（RF）、支持向量机（SVM）、决策树（DT）和K近邻（KNN）等4种分类器检测驾驶疲劳状态;利用多种性能指标及被试工作特征曲线（ROC）对驾驶疲劳检测结果进行分析比较。结果表明：基于疲劳驾驶状态下的EEG信号的FE值明显高于较正常驾驶状态下的值;4种分类器均可有效检测驾驶疲劳,其中K近邻的平均准确率达97.4%;基于EEG信号模糊熵的驾驶疲劳检测方法具有较好的鲁棒性和稳定性。