基于有效注意力和GAN结合的脑卒中EEG增强算法

在基于脑电的卒中分类诊断任务中,以卷积神经网络为基础的深度模型得到广泛应用,但由于卒中类别病患样本数量少,导致数据集类别不平衡,降低了分类精度。现有的少数类数据增强方法大多采用生成对抗网络(GAN),生成效果一般,虽然可通过引入缩放点乘注意力改善样本生成质量,但存储及运算代价往往较大。针对此问题,构建一种基于线性有效注意力的渐进式数据增强算法LESA-CGAN。首先,算法采用双层自编码条件生成对抗网络架构,分别进行脑电标签特征提取及脑电样本生成,并使生成过程逐层精细化;其次,通过在编码部分引入线性有效自注意力(LESA)模块,加强脑电的标签隐层特征提取,并降低网络整体的运算复杂度。消融与对比实验结果表明,在合理的编码层数与生成数据比例下,LESA-CGAN与其他基准方法相比计算资源占用较少,且在样本生成质量指标上实现了10%的性能提升,各频段生成的脑电特征样本均更加自然,同时将病患分类的准确率和敏感度提高到了98.85%和98.79%。

THE EFFECT OF ACUPUNCTURING ACUPOINTS ON THE CHANGE OF ELECTROENCEPHALOGRAM (EEG) IN ENDOTOXIC SHOCKED RATS

In present work,EEG and BP were used as the indexes to observe the relationbetween the change of EEG and the change of BP in the endotoxic shocked rats。At maintainingshock for 1 hr,dysrhythmia of EEG appeared in 38/46 cases.Simultaneously,there was a markeddrop in Bp,P【0.05.Following the shocked time prolonged,dysrhythmia was getting severe。AfterEA”Rengzhong"(n=14)or“Zusanli”(n=12),BP was significantly increased(P【0.05),anddysrhythmia of EEG showed clear improvement in most of the rats。There was a close relation be-tween the changes of EEG and BP,the change of EEG had a direct bearing on the change of BP.

抑郁症EEG诊断的类脑学习模型

抑郁症是一种全球性精神疾病,传统诊断方法主要依靠量表与医生的主观评估,无法有效识别症状,甚至存在误诊的风险。基于生理信号的深度学习辅助诊断有望改善传统缺乏生理学依据的方法。然而,传统深度学习方法依赖巨大算力,且大多是端到端的网络学习。这些学习方法也缺乏生理可解释性,限制了辅助诊断临床应用。提出一种用于抑郁症脑电图(electroencephalogram,EEG)诊断的类脑学习模型,在功能层面,构建脉冲神经网络对抑郁症与健康个体进行分类,精度超过97.5%,相比深度卷积方法,脉冲方法降低了能耗;在结构层面,利用复杂网络建立脑连接的空间拓扑并分析其图特征,找出了抑郁症个体潜在的脑功能连接异常机制。

基于EEG的脑力疲劳特征研究

模拟飞行员在飞行过程中监视仪表信息的过程,分析脑电(EEG)随脑力疲劳变化的特点及规律,从而为后期对抗脑力疲劳提供科学根据。通过设计2级不同难度的视觉监控任务分别诱发脑力疲劳,采用多种方法相结合进行研究,比较EEG参数(δ、θ、α、β、(α+θ)/β、α/β、(α+θ)/(α+β)和θ/β)在任务前后的变化情况。结果表明:从正常到疲劳状态,额区、中央区、顶区和枕区的α波相对能量显著增加(P<0.05);前额区、侧额区、后颞区以及枕区的β波相对能量显著降低(P<0.05);δ波和θ波相对能量变化未达到显著性差异(均有P>0.05);参数(α+θ)/β、α/β、(α+θ)/(α+β)和θ/β在除颞区外的各脑区都显著增大(P<0.05);在颞区,只有α/β在疲劳前后增加明显(P<0.05);与较高难度的任务比较,低难度任务中的各EEG参数变化较为明显。因此,除δ波和θ波以外的其他特征参数被证实在特定的脑区域可以作为衡量脑力疲劳的潜在指标,同时可以验证适当地增加任务难度可以在某种程度上对抗脑力疲劳的产生。

基于EEG与EOG信号的疲劳驾驶状态综合分析

疲劳驾驶时,司机的脑电信号和眼电信号特征均发生显著变化,本文针对这两类信号进行分析研究,利用这两类数据综合分析判断司机是否处于疲劳驾驶状态.首先对采集的脑电信号进行小波包分解,提取信号中的α波,并计算其相对功率谱P;然后利用Pearson相关系数分析两路对称导联F7,F8中眨眼信号特征,去除干扰;最后利用BP神经元网络对眨眼信号进行识别,计算眨眼频率.结果表明,利用眼电信号和脑电信号特征综合分析司机眨眼动作,能准确识别出眨眼信号,并能正确检测人的驾驶疲劳状态的变化.

EEG柯尔莫哥洛夫熵测度用于精神疲劳状态的研究

为了区分精神疲劳的程度,研究了不同精神疲劳状态时脑电信号的无序程度。通过对8例不同精神疲劳状态与其对应脑电信号柯尔莫哥洛夫熵的分析,发现:1)脑电信号柯尔莫哥洛夫熵的波动范围与精神疲劳的状态有着明显的对应关系;2)脑电信号柯尔莫哥洛夫熵随着连续工作时间的延长而减小;3)可以通过分析脑电信号柯尔莫哥洛夫熵的波动范围对疲劳时心理生理状态进行客观评定。研究方法为进一步认识精神疲劳的过程、研究精神疲劳对中枢神经系统的影响提供了一种新的工具。

基于迁移学习的癫痫EEG信号自适应识别

脑电图(electroencephalogram,EEG)信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时,都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征,但在实际应用时,此假设条件过于苛刻,当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况,将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中,使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松,扩大了算法的适应场景,实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明,基于迁移学习的方法比传统方法具有更好的适应性。

基于小波包技术的EEG信号特征波提取分析

为了更有效地提取脑电信号特征波,结合小波包技术,提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解,然后进行相关频段信号的重构,从而提取出特征波,并对其进行功率谱分析和能量计算。实验结果表明,小波包技术能有效地提取脑电信号特征波。

公共空间模式算法结合经验模式分解的EEG特征提取

常规的公共空间模式分解方法需要大量的输入通道、缺乏频域信息,发展受到限制。为了克服以上缺点,将经验模式分解(Empirical Mode Decomposition,EMD)和公共空间模式算法结合,改变CSP滤波器成分选择方式,提出EMD-CSP算法来获取特征向量。该算法对预处理后的信号进行经验模式(EMD)分解,得到固有模态函数(Intrinsic Mode Functions,IMFs),观察并计算每个IMF分量的能量谱,筛选有效的IMF频段(5~28 Hz),使用改进的CSP滤波器进行滤波获取特征,最后使用支持向量机(Support Vector Machine,SVM)进行分类。分类结果得到9位受试的想象运动平均分类正确率为92%,证实了该算法的可行性与有效性。

EEG波形伪迹去除方法

EEG波形记录与ERP分析技术是认知科学和脑科学研究的新兴手段 ,但在实际研究和临床应用中 ,伪迹一直是困扰研究效度的重要因素。本文主要介绍了近年来兴起的回归方法、伪迹减法、主成分分析 (PCA)、独立成分分析 (ICA)、JADE分析等脑电伪迹去除技术。相对于传统方法 ,这些技术存在精度高、速度快、实用性强的优点 ,但它们都各自针对不同问题情境 ,均建立在特定假设基础上 ,所以应根据具体的研究目的和实验条件进行合理选择。通用性。

一种基于经验模态分解的时频分布及其在EEG分析中的应用

Hilbert-Huang变换是一种新的分析非线性非平稳信号的时频方法,这种方法的关键部分是经验模态分解(EMD)方法,任何复杂的信号都可以通过EM D分解为有限数目并且具有一定物理意义的固有模态函数。我们结合该方法给出一种抑制Wigner-Ville分布交叉项的新方法,并将其应用于癫痫脑电信号(EEG)中,且得到了比较好的结果。

基于EEG小波包子带能量比的疲劳驾驶检测方法

驾驶员在从正常驾驶状态向疲劳驾驶状态变化的过程中,其脑电信号中的慢波逐渐增加,快波逐渐减少;针对这一特点,提出了一种基于小波包子带能量比的疲劳驾驶状态检测方法.采集和分析受试者模拟驾驶过程中的脑电信号,利用小波包分解系数计算出β波与慢波的能量比,将其作为疲劳指标F值.实验结果表明,尽管不同受试者的F值存在较大差异,但是对于同一受试者而言,F值随着驾驶时间的延长和疲劳程度的增加而逐渐降低,其相对于正常驾驶状态的衰减程度能够有效反映驾驶人的疲劳程度.

老年性痴呆患者EEG复杂度比较分析

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)复杂度特征,初步表明AD患者头皮各导联处EEG信号的复杂度均显著低于同龄正常人的相应值.研究结果提示:可考虑试用复杂度作为AD临床诊断的特异性指标作进一步深入研究.

基于小波变换的EEG噪声滤除算法设计与实现

对采样频率为1 000 Hz的脑电波实测信号分别进行了基于快速傅里叶变换的频谱加窗滤波算法分析和采用小波变换的自适应阈值算法仿真对比分析.分析结果表明:采用传统的频谱加窗滤波算法,在信号噪声频带交叠的情况(如白噪声)中应用效果较差,无法滤除低频范围内与脑电信号混叠的白噪声;采用小波变换的自适应阈值算法的消噪效果明显好于传统的频谱加窗滤波算法,具有良好的应用价值.

引入迁移学习的癫痫EEG信号自适应识别

在脑电图(EEG)信号识别中,EEG信号的采样环境、病人状态的多样性导致分类器训练所用的源域与分类器测试所用的目标域不匹配,分类器在目标域上表现不佳。为此,引入邻域适应策略,提出一种基于子空间相似度的改进主成分分析特征提取方法(SSM-PCA),在选择主成分时,考虑源域和目标域数据的几何和统计特性,并结合迁移学习分类器大间隔投射迁移支持向量机(LMPROJ),给出以SSM-PCA为基础的LMPROJ分类识别方法。实验结果表明,与结合PCA特征抽取技术和K近邻分类器实现的识别方法相比,该方法在识别正确率方面得到较大提升。

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.

脑肿瘤患者脑电图(EEG)及脑电地形图(BEAM)的特点分析

目的对比脑肿瘤患者脑电图(EEG)及脑电地形图(BEAM)的特点,进行对应分析,以便为后续的临床工作打下理论基础。方法对2010年1月-2013年12月我院确诊的62例脑肿瘤患者进行EEG及BEAM检查分析,对分析结果进行统计,分析脑肿瘤的部位与脑电地形图的定位关系,分析肿瘤性质与脑肿瘤的定位关系,并且将EEG与BEAM的定位准确率进行对比。结果 62例患者进行BEAM分析后发现,其中4例结果正常,58例结果异常。异常结果中δ能量值增高明显22例,θ能量值增高明显14例,两种能量值同时增高明显15例,α能量值增高明显5例,β能量值增高明显2例。良性肿瘤定位定侧率为71.42%,恶性肿瘤为76.32%,转移性为66.67%。BEAM的定位准确率明显高于EEG,且具有统计学差异(P<0.05)。结论 BEAM检查结果不仅阳性率较EEG高,而且在定位、定性方面同样具有较高的参考价值。

基于C8051F340的EEG信号采集系统的设计

介绍一种基于C8051F340单片机的EEG信号采集系统。该设计采用高速、高集成度的C8051F340单片机控制A/D转换器ADS8344和无线收发器ADF7020实现了EEG信号数字采集和无线数据传输;同时采用了C8051F340内嵌USB功能控制器解决接收器与计算机之间USB数据传输等问题。测试结果表明,该EEG信号数字采集系统具有集成度高、功耗低、体积小和操作方便等特点,具有良好的应用前景。

基于K近邻互信息估计的EEG伪迹消除方法

针对脑电信号中的眼电和心电串扰伪迹,提出一种基于最小相依成分分析的互信息(MILCA)算法的伪迹消除方法。在提升小波硬阈值法对多路原始脑电信号去噪基础上,运用MILCA算法对各通道信号进行盲源分离,同时采用信号间互相关系数和互信息量作为指标,分析伪迹分离程度。与Extend Infomax、FastICA 2种常见盲源分离算法的对比结果表明,运用MILCA算法对脑电信号中的眼电及心电伪迹的分离结果最理想。

脑机接口中基于BISVM的EEG分类

针对脑电信号(EEG)分类问题,提出基于批处理增量式支持向量机(BISVM)的分类方法.将所有数据通过批处理进行分组,采用第1组数据在SVM中建立初始分类器模型,将剩余组内数据顺序作为新增样本,对满足卡罗需-库恩-塔克(KKT)条件的样本进行增量学习和减量去学习,不断判断KKT条件并更新参数,丢弃错误样本,对初始分类器模型进行更新.对2008年脑机接口竞赛数据及本实验室采集数据,用小波包分解(WPD)结合共空间模式(CSP)进行特征提取,SVM、ISVM及BISVM分类.结果表明,BISVM的平均分类准确率相对SVM及ISVM分别提高了3.3%及0.3%,BISVM平均训练时间相对ISVM从1.076s减少到0.793s.BISVM为改善计算机对大脑的适应性,实现快速实时在线的脑机接口系统奠定基础.