不同麻醉深度下大鼠脑活动的复杂性分析

为了研究大鼠在不同麻醉深度下大脑活动的变化,探测麻醉深度对其脑电信号(EEG)的影响,采用KC复杂度和谱熵对不同麻醉深度下的EEG及其4个主要频段信号进行了复杂性分析.结果发现:随着麻醉深度的加深,EEG的KC复杂度和谱熵的值都随之减小,反之亦然,且KC复杂度在区分麻醉深度的变化方面比谱熵更为灵敏、准确;在麻醉状态下,delta频段是EEG信号的优势频段,正是它的动态变化主导了EEG信号的变化过程.

基于复杂度熵特征融合的高压力人群情感状态评估

长期处于压力状态容易引发各类疾病,合理有效的情感压力状态评估是进行压力情感干预的基础。脑电数据含有丰富的情感信息,针对脑电数据的压力情感特征提取问题,提出一种基于Kc复杂度、小波熵与近似熵相结合的脑电数据的压力情感特征提取方法,以Kc复杂度因子来量化脑电数据的随机程度,以小波熵和近似熵参数分别在时域和频域来量化脑电数据的复杂程度与能量分布;采用遗传算法进行全局寻优,按适者生存的原则进行支持向量机参数的选择、交叉、变异,以此优化的支持向量机融合3类不同层次的特征参数,实现压力情感状态评估。以"切水果"游戏作为压力源,采集8名被试共92组脑电信号,基于该算法来分析被试者的压力状态,最高识别率为94.12%,平均识别率82.06%。研究表明,不同脑区对压力敏感程度不同,左半球相对右半球来说,压力感受敏感。希望通过此工作,可以帮助人们有针对性地采取相应措施缓解压力,恢复身心健康。

基于独立分量分析的多通道脑电信号自动去噪算法研究

在脑电信号的采集和处理过程中,经常受到如眼电、心电等各样噪声和伪迹的影响。独立分量分析通过对非高斯分布数据进行有效表示,获得在统计学上独立的各个分量,通过对噪声分量的去除以及信号分量的重构,实现对噪声和伪迹的去除。针对目前信号分解后噪声分量的处理尚停留在目测去除和人工识别阶段,耗时严重以及准确度差的不足,本文提出一种基于独立分量分析的KC复杂度自动阈值算法的提出很好地解决了这个问题,在对含工频噪声的EEG信号进行处理后,取得了良好的实验效果。

基于改进混沌算子的癫痫前期预测研究

对人的一维脑电信号进行了m维的重构,计算其m阶KC复杂度与最大Lyapunov指数。实验结果表明:癫痫发作前期的特征曲线出现了变化,该特性可用于预测癫痫发作。通过分析5例实验样本与8例验证样本的24小时动态脑电信号,预测准确率为87.5%,平均预测时间为17.54s。