癫痫样放电对颞叶癫痫患者睡眠时长的影响

目的探讨癫痫样放电对颞叶癫痫(TLE)患者睡眠时长的影响。方法选择2022年1月至2023年12月于医院行视频脑电图(VEEG)监测的40例TLE患者,根据患者夜间睡眠中是否发生癫痫样放电分为放电组(20例)和无放电组(20例)。比较两组总睡眠时间(TST)、非快速眼动期睡眠(NREM)总时长、NREM各分期N1、N2、N3时长及占所睡眠时间比例、快速眼动期(REM)潜伏期时长、REM时长及占TST比例等。结果放电组TST短于无放电组,差异有统计学意义(P<0.05);放电组REM总时长短于无放电组,差异有统计学意义(P<0.05);放电组REM占TST比例小于无放电组,差异有统计学意义(P<0.05);放电组NREM期比例、N1期比例高于无放电组,差异有统计学意义(P<0.05)。结论癫痫样放电可能会影响TLE患者的睡眠时长,临床中应密切关注其睡眠状况,及时识别和处理癫痫样放电,以改善患者睡眠质量。

小样本场景下的元迁移学习睡眠分期模型

睡眠障碍受到越来越多的关注,且自动化睡眠分期的准确性、泛化性受到了越来越多的挑战。然而,公开的睡眠数据十分有限,睡眠分期任务实际上更近似于一种小样本场景;同时由于睡眠特征的个体差异普遍存在,现有的机器学习模型很难保证准确判读未参与训练的新受试者的数据。为了实现对新受试者睡眠数据的精准分期,现有研究通常需要额外采集、标注新受试者的大量数据,并对模型进行个性化微调。基于此,借鉴迁移学习中基于缩放-偏移的权重迁移思想,提出一种元迁移睡眠分期模型MTSL(Meta Transfer Sleep Learner),设计了一种新的元迁移学习框架:训练阶段包括预训练与元迁移训练两步,其中元迁移训练时使用大量的元任务进行训练;而在测试阶段仅使用极少的新受试者数据进行微调,模型就能轻松适应新受试者的特征分布,大幅减少对新受试者进行准确睡眠分期的成本。在两个公开的睡眠数据集上的实验结果表明,MTSL模型在单数据集、跨数据集两种条件下都能取得更高的准确率和F1分数,这表明MTSL更适合小样本场景下的睡眠分期任务。

脑电数据近似熵与样本熵特征对比研究

近似熵和样本熵均是量化时间序列复杂性的重要指标,通过两组数据集讨论近似熵与样本熵哪种更适合作为脑电特征。实验结果表明,样本熵作为特征比近似熵能更恰当反映情绪活动存在的差异,差异电极主要集中在大脑前额;以样本熵为分类特征识别嗜酒成瘾者与正常人的平均准确率为80.25%,高于近似熵为分类特征的74.25%,且样本熵算法的计算时间比近似熵算法几乎节约一半。相对于近似熵来说,样本熵更适合作为脑电特征。

单通道脑电信号中眼电干扰的自动分离方法

当前主流的眼电(EOG)去除方法需要利用多通道脑电的相关性,难以在单通道的便携式脑机接口(BCI)中应用。该文提出一种基于长时差分振幅包络与小波变换的眼电干扰自动分离方法。首先在原脑电信号的长时差分振幅包络上实施双门限法来精确检测眼电的起止点,然后利用sym5小波对脑电进行分解并引进Birgé_Massart策略来自适应地确定小波重构系数阈值,最后通过小波重构精确地估计眼电,实现单通道上眼电与脑电的自动分离。大量实验证明,该方法与主流的平均伪迹回归分析和基于独立成分分析(ICA)的方法相比,能够获得更好的估计眼电与原眼电的相关性,保证更高的校正信噪比和较强的实时性,能够满足脑机接口多方面的需要。

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition Ⅳ 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。

基于DIVA模型的脑电信号去噪方法研究

脑电信号获取过程中,工频噪声干扰现象往往会使所获取的信息产生多种多形态瞬时结构波形,这种现象影响到DIVA(Directions Into Velocities of Articulators)模型对语音的正常处理.为此,本文提出了一种面向特征提取的脑电信号结构自适应稀疏分解模型,并在此基础上,通过采用匹配追踪算法求解最佳原子、使用过完备原子库中原子表示原始脑电信号等方法,实现了信号去噪的目的,效果好于传统的小波变换去噪方法.仿真实验表明,本文提出的方法提高了DIVA模型语音发音的精度.

高精度微弱脑电检测数模混合控制芯片系统

针对脑电检测的研究需要,研发了微弱EEG脑电信号采集专用芯片系统。该芯片使用斩波稳定去噪声技术,首先利用2 k Hz的斩波频率对100 Hz以下的EEG信号进行频域隔离,然后利用RRL纹波抑制环路反馈进行调制后位于chopper频率处的主要由失调与低频1/f闪烁噪声引起的纹波电压的抑制;单级斩波放大使用电流复用、亚阈值跨导增强技术对来自EEG传感器的低频（〈100 Hz）小信号（5~100μV）进行40 d B增益的稳定中频放大;级联S/H电路进行去累积毛刺滤波,配合前面斩波技术,达到整体低噪声性能;VGA/LPF通过改变输入、反馈/负载电容,分别进行增益/带宽的数字调整。EEG-DSP加速芯片实现对多通道采集的控制以及信号处理编码。设计使用SMICRF 180 nm混合工艺,使用Cadence的Spectre软件进行功能前/后仿真,使用Caliber工具进行DRC/LVS的版图验收。最后,对设计芯片进行实际测试,结果表明放大芯片关键性能为：8.1μW/通道、面积6.3 mm2/8通道、0.8μVrms（BW=100 Hz）等效输入噪声;该款自主研发的脑电斩波放大芯片性能达到国内外前列的水平,可进行正确的脑电EEG采集,可应用于可穿戴领域、对后续脑电数据分析具有重要的使用价值。

用于BCI的脑电信号检测电路的设计

设计了一种新颖的用于脑机接口(BCI)的脑电信号检测电路,采用阻容耦合、共模信号取样驱动、有源屏蔽驱动和浮动电源等技术,具有结构简单、抗干扰能力强、稳定性和可靠性高的优点。经仿真分析和实际电路调试,证明该电路可有效抑制背景噪声和干扰,可用于BCI中实现对微弱低频脑电信号的提取。

基于脑电的轻装作业操作者脑力负荷与绩效的分析

针对脑力负荷过高或过低导致产品质量低、生产效率低的问题,采用脑电(EEG)生理测量技术,模拟轻装产品的手工装配生产。设计了单产品装配和产品组合装配实验方案,探究操作者脑力负荷与工作绩效之间的关系。采集了25位志愿者的EEG负荷指标、装配完成率和装配时间三种指标数据,分析结果表明:EEG负荷指标的波动趋势可以有效地反映操作者的任务绩效,但波动状态与具体装配任务有关;与单产品装配方式相比,产品组合装配方式可以在保证装配质量的前提下有效缓解操作者脑力负荷。研究结果提升了手工装配作业下操作者脑力负荷波动状态的认识,有助于管理者制定更优的产品生产计划方案。

特征融合实现脑电信号情感分析

由于脑电信号具有非平稳、微弱、频段差异大的特点,在处理过程中难以获得较好的识别精度。为了提高脑电情感分析的性能,从特征提取和特征选择两个方面进行了探讨。在特征提取方面,在功率谱强度的基础上采用改进的平衡功率谱强度特征;在特征选择方面,提出一种特征融合算法,充分利用Relief和mRMR两种方法各自的优势,在提高识别性能的同时大幅度地降低了特征维度。采用支持向量机分类算法,在DEAP数据集上进行了实验。结果表明,相比于功率谱强度,平衡功率谱强度的分类准确率平均提高了6.22%,特征融合算法选择的特征相比于基线提高了3.90分,相比于Relief提高了1.84分,相比于mRMR提高了2.05分。基于平衡功率谱强度的特征融合算法,不仅其整体性能提升了,且其平均识别准确率在Valence维度上达到88.89%,在Arousal维度上达到87.73%,同时平均特征维度从160维减少至67维。

脑电监测α变异百分率与重型急性脑梗死发病90天预后的相关性研究

目的通过持续监测重型急性脑梗死患者皮层脑电定量参数α变异百分率的动态变化,评价其在重型急性脑梗死发病90天的临床预后预测方面的临床应用价值。方法入选重型急性脑梗死患者31例,常规行定量连续脑电监护及临床诊治。记录患者入院24 h、48 h、72 h的平均α变异百分率,并对入组病人入院时及发病90天进行NIHSS评分、GCS评分、CNFD评分;根据预后情况分为预后良好与预后不良组;分析两组间α变异百分率的差异及与重型急性脑梗死90天临床预后的相关性。结果 (1)α变异百分率与受累的大脑半球相关,病变侧大脑半球的α变异百分率较非病变侧大脑半球α变异百分率低;入院后72 h内,随着发病时间的延长,α变异百分率呈逐渐减少的趋势。(2)预后良好组入院0~24 h(t=2.741,P=0.013)、24~48 h(t=2.345,P=0.035)、48~72 h(t=3.386,P=0.001)的平均α变异百分率(病变侧)均值较预后不良组明显增高;Spearman分析中提示,发病早期的病变侧α变异百分率(0~24 h、24~48 h,48~72 h)与良好预后呈正相关,分别为r=0.387,P<0.001;r=0.489,P<0.001;r=0.418,P<0.001。(3)入院0~24 h、24~48 h、48~72 h病变侧α变异百分率均对良好预后具有辨别预测能力,ROC曲线分析当α变异百分率≥20%时预测良好预后的灵敏度分别为68.4%、63.2%、63.2%、特异性分别为66.7%、75.0%、91.7%。结论α变异百分率与重型急性脑梗死90天良好预后呈正相关。临床上有望通过连续脑电监测α变异百分率这一定量化脑电参数,以预测重型急性脑梗死发病90天的病情转归。

基于多模态信息融合的心理负荷评估

为了相对稳定地识别人员是否处于心理负荷状态,设计并实施含能材料起爆作业心理负荷诱导试验。首先对心理负荷诱导情况进行判断,然后分别采集27名被试在静息状态和实施含能材料撞击起爆作业状态下的眼动、心率变异性(HRV)和脑电信号(EEG),通过正态性检验和假设检验获得心理负荷表征指标并进行统计功效分析,依据表征指标,采用支持向量机(SVM)和随机森林(RF)算法建立多模态信息融合的心理负荷评估模型,最后采用被试工作特征曲线(ROC曲线)分析各模态组合和分类器的心理负荷识别性能。研究结果表明:双模态(眼动+EEG)下SVM算法和3模态下RF算法评估性能和稳健性较高,多模态信息组合具有优异的识别效果。

难治性癫癎患者视频脑电监测管理的效果研究

目的探讨难治性癫癎患者视频脑电监测管理的效果研究。方法成立视频脑电监测专业管理小组、建立视频脑电监测的管理流程并按计划内容实施管理。结果试验组难治性癫癎患者行视频脑电监测中发作的有效捕捉率和记录准确率高于对照组(P<0.01)。结论视频脑电监测管理流程提高了难治性癫癎发作的有效捕捉率和记录准确率。

基于脑机接口的智能家居控制系统

为实现家居系统的智能控制,提出一种基于脑机接口、脑电信号识别分类和增强现实(AR:Augmented Reality)的解决方案。通过佩戴设备收集提取脑电图(EEG:Electro Encephalo Gram)信号,对数据使用小波变换去噪并利用短时傅立叶变换进一步处理,利用主成分分析(PCA:Principal Component Analysis)进行降维和卷积神经网络(CNN:Convolutional Neural Network)进行分类,形成分类模型。根据分类结果得到大脑发出的指令,以此对家居进行控制,结合AR技术能使控制过程可视化且更具交互性,符合未来智能家居控制方法的发展趋势。

妊娠期高血压疾病孕产妇脑电生理学研究

目的分析妊娠期高血压疾病(HDP)孕产妇脑电生理的特点。方法对2009年9月至2010年3月在我院产科住院分娩的HDP孕产妇进行脑电图(EEG)和脑电地形图(BEAM)检查,分析其特点并与正常孕产妇EEG和BEAM进行比较。结果 30例正常分娩孕产妇,EEG均为正常EEG。32例HDP孕产妇(轻度HDP20例,重度HDP12例),其中13例为正常EEG,19例为异常EEG(界限性EEG7例,异常EEG12例)。异常EEG中,15例(79%)表现为癫痫样放电,2例以慢波活动为主,2例以快波活动为主。HDP与正常孕产妇EEG结果经卡方检验,P<0.01,两者有非常显著性差异;30例正常孕产妇BEAM均正常;32例HDP孕产妇,4例BEAM异常,经Fisher精确检验,P=0.11,两者无显著性差异。结论非子痫性HDP孕产妇EEG改变以癫痫样放电为主。与正常孕产妇相比,HDP孕产妇EEG变化显著,而BEAM变化不大。

基于小波消噪和盲源分离的脑电信号处理方法

针对脑电信号中噪声及夹杂的眼电、心电等伪迹,采用小波分解重构消噪和基于熵估计的RADICAL算法进行消除.对3路脑电观测信号进行小波消噪和白化处理后,通过雅可比旋转矩阵分别对其中的两两组合信号用RADICAL算法进行分离,得出最优分离矩阵完成盲源分离,并引入互相关系数、矩阵相关系数验证算法的有效性.实验结果表明:源信号未知的3路相互串扰脑电信号盲分离后各个分量之间的互相关系数近似为0,并且其矩阵相关系数每行均有大于0.95的值,优于常用的FastICA算法,说明该方法能有效去除脑电信号中噪声和伪迹.