For Brain-Computer Interface(BCI) systems, improving the Information Transfer Rate(ITR) is a very critical issue. This study focuses on a Steady-State Visually Evoked Potential(SSVEP)-based BCI because of its advantag...For Brain-Computer Interface(BCI) systems, improving the Information Transfer Rate(ITR) is a very critical issue. This study focuses on a Steady-State Visually Evoked Potential(SSVEP)-based BCI because of its advantage of high ITR. Unsupervised Canonical Correlation Analysis(CCA)-based method has been widely employed because of its high efficiency and easy implementation. In a recent study, an ensemble-CCA method based on individual training data was proposed and achieved an excellent performance with ITR of 267 bit/min.A 40-target SSVEP-BCI speller was investigated in this study, using an integration of Minimal-Distance(MD) and Maximal-Phase-locking value(MP) approaches. In the MD approach, a spatial filter is developed to minimize the distance between the training data and the reference sine signal, and in this study, two different types of distance were compared. In the MP approach, a spatial filter is developed to maximize the Phase-Locking Value(PLV)between the training calibration data and the reference sine signal. In addition to the fundamental frequency of stimulation, the harmonics were used to train MD and MP spatial filters, which formed spatial filter banks. The test data epoch was multiplied by the MP and MD spatial filter banks, and the distances and PLVs were extracted as features for recognition. Across 12 subjects with a 0.4 s-data length, the proposed method realized an average classification accuracy and ITR of 93% and 307 bit/min, respectively, which is significantly higher than the current state-of-the-art method. To the best of our knowledge, these results suggest that the proposed method has achieved the highest ITR in SSVEP-BCI studies.展开更多
心算是生活中常使用到的技能,涉及到多种引起大脑活动变化认知加工环节,对于心算的脑电(Electroencephalogram,EEG)研究有助于提高对认知任务的研究水平。本文提出了一种全局图振幅排列熵(Amplitude permutation entropy for global gra...心算是生活中常使用到的技能,涉及到多种引起大脑活动变化认知加工环节,对于心算的脑电(Electroencephalogram,EEG)研究有助于提高对认知任务的研究水平。本文提出了一种全局图振幅排列熵(Amplitude permutation entropy for global graph,APEGG)应用于脑电心算研究,以弥补传统图排列熵(Permutation entropy for graph,PEG)无法全面反映脑网络节点周边邻居节点变化的缺陷,克服了脑电信号幅值不敏感的问题。首先采用相位锁定值构建了EEG脑网络,分析多导联脑电信号之间的同步性和相关性,然后计算了不同频段下脑网络的全局图振幅排列熵,最后运用支持向量机(Support vector machine,SVM)进行分类。使用脑电心算公开数据集进行仿真,分析了不同频段的心算状态与静息状态的熵值散点图,两种状态的熵值散点图表现出较大差异。心算状态与静息状态分类结果与其他算法比较表现出更好的效果。展开更多
睡眠分期是评估睡眠质量的基础。然而,睡眠呼吸暂停(sleep apnea,SA)会改变测试者的睡眠结构,进而影响对睡眠分期的准确评估。因此,在评估睡眠质量时,准确检测睡眠呼吸暂停和睡眠分期至关重要。为准确评估睡眠分期,本研究通过研究脑区...睡眠分期是评估睡眠质量的基础。然而,睡眠呼吸暂停(sleep apnea,SA)会改变测试者的睡眠结构,进而影响对睡眠分期的准确评估。因此,在评估睡眠质量时,准确检测睡眠呼吸暂停和睡眠分期至关重要。为准确评估睡眠分期,本研究通过研究脑区之间的功能连接,探讨了脑功能连接的相互作用关系。采用锁相值(phase locking value,PLV)在不同时间段上进行特征提取,构建功能连接网络;然后利用多个时间段的PLV进行特征融合,并通过LibSVM(library for support vector machines,LibSVM)结合分类性能优化策略的方法进行睡眠分期。同时,本研究还分析了睡眠呼吸暂停和正常呼吸对脑网络的影响。实验结果显示,睡眠呼吸暂停时的各脑区连通紧密程度大于正常呼吸时,并在子时段数为30时,睡眠分期的分类准确率达到了88.87%,呼吸暂停的检测准确率达到了93.64%。该算法在睡眠分类和呼吸暂停检测方面表现出良好性能,有助于推动脑电睡眠分类和呼吸暂停检测系统的开发和应用。展开更多
抑郁症已成为危害人类健康的一大公共卫生问题。目前,抑郁症的诊断主要依靠患者自述或填写专业量表,由医生进行判断。此方法存在误诊率高、一致性差等缺陷。由此,寻找一种精准、高效、便捷的抑郁症生物标志物具有极重要的价值和意义。...抑郁症已成为危害人类健康的一大公共卫生问题。目前,抑郁症的诊断主要依靠患者自述或填写专业量表,由医生进行判断。此方法存在误诊率高、一致性差等缺陷。由此,寻找一种精准、高效、便捷的抑郁症生物标志物具有极重要的价值和意义。本研究通过对比抑郁组和对照组大鼠听觉初级皮层处40 Hz听觉稳态响应(ASSR)差异,探究ASSR作为抑郁症诊断靶标的可行性。将24只大鼠随机分为抑郁模型组(n=12)和正常对照组(n=12),模型组通过持续8周的慢性不可预知温和应激刺激(CUMS)进行建模。通过采集并对比两组大鼠在建模前后的糖水偏好、强迫游泳、旷场实验等3种行为学指标,判断建模是否成功。随后进行电生理实验,采集大鼠在40 Hz-click声音刺激下,左右两侧初级听觉皮层处的局部场电位信号(LFPs),并对比试次间相位一致性(ITPC)及诱发功率两种常用指标。结果表明,与正常对照组相比,8周抑郁建模显著降低了模型组糖水偏好率(71.89±6.32 vs 87.65±3.54,P<0.05)和旷场运动距离(2219±532 vs 2930±315,P<0.05),显著提升了模型组游泳静止时间[(31.53±5.31)s vs(96.18±13.16)s,P<0.05],并且两组大鼠之间行为学的后测结果同样存在显著差异(P<0.05),即建立起有效的抑郁模型;电生理结果表明,在click声音下,模型组的两侧初级听觉皮层40 Hz-ASSR的ITPC值均低于0.6,显著低于对照组(ITPC>0.8)(P<0.05),且诱发功率也呈现降低趋势。Click声音诱发的初级听觉皮层处40 Hz-ASSR有希望作为抑郁症的潜在诊断靶标,此发现为辅助诊断和治疗抑郁症提供了一定参考。展开更多
目的:基于脑电(electroencephalogram,EEG)信号探究个体在不同情绪状态下大脑网络的功能连接变化情况,并根据全局图论指标量化分析脑功能网络属性的差异性变化。方法:在多模态情绪数据库(Database for Emotion Analysis Using Physiolog...目的:基于脑电(electroencephalogram,EEG)信号探究个体在不同情绪状态下大脑网络的功能连接变化情况,并根据全局图论指标量化分析脑功能网络属性的差异性变化。方法:在多模态情绪数据库(Database for Emotion Analysis Using Physiological Signals,DEAP)中提取平静状态(作为平静状态组)和压力状态(作为压力状态组)的EEG信号,并根据EEG信号的预处理过程划分Theta频段([4,8)Hz)、Alpha频段([8,13)Hz)、Beta频段([13,31)Hz)和Gamma频段([31,45)Hz)4个频段,计算每个频段的相位锁值(phase locking value,PLV),得到PLV脑网络矩阵,然后利用小世界属性、聚类系数、特征路径长度3种全局图论属性指标对PLV网络矩阵的属性进行拓扑结构分析。比较2组情绪状态的脑网络功能连接情况,并分析2组情绪状态的全局图论属性指标的差异性。采用SPSS 25.0软件进行统计学分析。结果:2组情绪状态的功能连接比较表明,4个频段不同脑区连通性差异有统计学意义(P<0.05)。与平静状态组相比,压力状态组在Gamma频段的小世界属性显著减小,在Alpha、Beta和Gamma频段的聚类系数和特征路径长度显著增大,差异有统计学意义(P<0.05);在Theta频段,压力状态组与平静状态组的全局图论属性指标相近,差异无统计学意义(P>0.05)。结论:该研究证实了个体不同情绪状态能够在大脑功能连接方面得到显著表征,小世界属性、聚类系数和特征路径长度3个全局图论属性指标可以作为情绪状态识别的关键特征参数,为情绪状态及情感相关的脑功能疾病的诊断治疗研究提供了理论依据。展开更多
为提高锁相环(phase-locked loop,PLL)的动态性能和锁相精确度,提出一种基于dq变换的改进锁相环,其通过平均值环节而不是延时信号消除(delayed signal cancellation,DSC)或低通滤波器(low pass filter,LPF)预先将负序与谐波分离出去,大...为提高锁相环(phase-locked loop,PLL)的动态性能和锁相精确度,提出一种基于dq变换的改进锁相环,其通过平均值环节而不是延时信号消除(delayed signal cancellation,DSC)或低通滤波器(low pass filter,LPF)预先将负序与谐波分离出去,大幅缩短了暂态响应时间,同时亦消除了系统电压不平衡或畸变对锁相精确度的影响。详述了该PLL的工作原理;给出了关于负序与谐波分离方法的讨论;推导了控制环的线性化模型及其PI参数的整定方法。仿真与实验结果表明,由于采用平均值环节和不存在传统软件锁相环(soft ware phase-locked loop,SPLL)具有的耦合关系,该PLL可快速而准确地锁定系统电压中正序基波分量的相位,具有高动态性能和锁相精确度,适用于动态电压恢复器(dynamic voltage restorer,DVR)或统一电能质量控制器(unified power quality controller,UPQC)等对电压变化敏感的柔性交流输电系统(flexible AC transmission system,FACTS)。展开更多
锁相是指系统的响应与周期性刺激的特定相位同步的物理现象.听觉神经的锁相对揭示人的听觉认知基本的神经机理及改善听觉感知有重要意义.然而,现有研究主要集中于心理物理方法和幅度谱分析,不能有效区分包络响应和时域细节结构响应,不...锁相是指系统的响应与周期性刺激的特定相位同步的物理现象.听觉神经的锁相对揭示人的听觉认知基本的神经机理及改善听觉感知有重要意义.然而,现有研究主要集中于心理物理方法和幅度谱分析,不能有效区分包络响应和时域细节结构响应,不能直观反映神经锁相.本文主要利用拔靴法和离散傅里叶变换,提出了基于样本熵的时域细节结构频率跟随响应(temporal-fine-structure-related frequency following response,FFR_T)的神经锁相值(phase locking value,PLV)计算方法,用于分析神经物理实验数据.两个脑电实验结果表明:FFR_T的PLV样本熵显著大于包络相关频率跟随响应(envelope-related frequency following response,FFR_E)的PLV,且二者正交独立,新方法能有效地分别反映听觉系统对包络和时间细节结构的锁相机理;基频处的响应主要来源于FFR_E的锁相;基频处,不可分辨谐波成分包络的锁相能力优于对可分辨谐波;基频缺失时,畸变产物是不同的听觉神经通路的FFR_E的混合;谐波处,FFR_E集中于低频,FFR_T则集中于中、高频;听觉神经元锁相能力与声源的频率可分辨性相关.FFR_T的PLV方法克服了现有FFR分析的局限性,可用于深入研究听觉神经机理.展开更多
基金supported by the National Natural Science Foundation of China (Nos. 61431007 and 91320202)
文摘For Brain-Computer Interface(BCI) systems, improving the Information Transfer Rate(ITR) is a very critical issue. This study focuses on a Steady-State Visually Evoked Potential(SSVEP)-based BCI because of its advantage of high ITR. Unsupervised Canonical Correlation Analysis(CCA)-based method has been widely employed because of its high efficiency and easy implementation. In a recent study, an ensemble-CCA method based on individual training data was proposed and achieved an excellent performance with ITR of 267 bit/min.A 40-target SSVEP-BCI speller was investigated in this study, using an integration of Minimal-Distance(MD) and Maximal-Phase-locking value(MP) approaches. In the MD approach, a spatial filter is developed to minimize the distance between the training data and the reference sine signal, and in this study, two different types of distance were compared. In the MP approach, a spatial filter is developed to maximize the Phase-Locking Value(PLV)between the training calibration data and the reference sine signal. In addition to the fundamental frequency of stimulation, the harmonics were used to train MD and MP spatial filters, which formed spatial filter banks. The test data epoch was multiplied by the MP and MD spatial filter banks, and the distances and PLVs were extracted as features for recognition. Across 12 subjects with a 0.4 s-data length, the proposed method realized an average classification accuracy and ITR of 93% and 307 bit/min, respectively, which is significantly higher than the current state-of-the-art method. To the best of our knowledge, these results suggest that the proposed method has achieved the highest ITR in SSVEP-BCI studies.
文摘心算是生活中常使用到的技能,涉及到多种引起大脑活动变化认知加工环节,对于心算的脑电(Electroencephalogram,EEG)研究有助于提高对认知任务的研究水平。本文提出了一种全局图振幅排列熵(Amplitude permutation entropy for global graph,APEGG)应用于脑电心算研究,以弥补传统图排列熵(Permutation entropy for graph,PEG)无法全面反映脑网络节点周边邻居节点变化的缺陷,克服了脑电信号幅值不敏感的问题。首先采用相位锁定值构建了EEG脑网络,分析多导联脑电信号之间的同步性和相关性,然后计算了不同频段下脑网络的全局图振幅排列熵,最后运用支持向量机(Support vector machine,SVM)进行分类。使用脑电心算公开数据集进行仿真,分析了不同频段的心算状态与静息状态的熵值散点图,两种状态的熵值散点图表现出较大差异。心算状态与静息状态分类结果与其他算法比较表现出更好的效果。
文摘睡眠分期是评估睡眠质量的基础。然而,睡眠呼吸暂停(sleep apnea,SA)会改变测试者的睡眠结构,进而影响对睡眠分期的准确评估。因此,在评估睡眠质量时,准确检测睡眠呼吸暂停和睡眠分期至关重要。为准确评估睡眠分期,本研究通过研究脑区之间的功能连接,探讨了脑功能连接的相互作用关系。采用锁相值(phase locking value,PLV)在不同时间段上进行特征提取,构建功能连接网络;然后利用多个时间段的PLV进行特征融合,并通过LibSVM(library for support vector machines,LibSVM)结合分类性能优化策略的方法进行睡眠分期。同时,本研究还分析了睡眠呼吸暂停和正常呼吸对脑网络的影响。实验结果显示,睡眠呼吸暂停时的各脑区连通紧密程度大于正常呼吸时,并在子时段数为30时,睡眠分期的分类准确率达到了88.87%,呼吸暂停的检测准确率达到了93.64%。该算法在睡眠分类和呼吸暂停检测方面表现出良好性能,有助于推动脑电睡眠分类和呼吸暂停检测系统的开发和应用。
文摘抑郁症已成为危害人类健康的一大公共卫生问题。目前,抑郁症的诊断主要依靠患者自述或填写专业量表,由医生进行判断。此方法存在误诊率高、一致性差等缺陷。由此,寻找一种精准、高效、便捷的抑郁症生物标志物具有极重要的价值和意义。本研究通过对比抑郁组和对照组大鼠听觉初级皮层处40 Hz听觉稳态响应(ASSR)差异,探究ASSR作为抑郁症诊断靶标的可行性。将24只大鼠随机分为抑郁模型组(n=12)和正常对照组(n=12),模型组通过持续8周的慢性不可预知温和应激刺激(CUMS)进行建模。通过采集并对比两组大鼠在建模前后的糖水偏好、强迫游泳、旷场实验等3种行为学指标,判断建模是否成功。随后进行电生理实验,采集大鼠在40 Hz-click声音刺激下,左右两侧初级听觉皮层处的局部场电位信号(LFPs),并对比试次间相位一致性(ITPC)及诱发功率两种常用指标。结果表明,与正常对照组相比,8周抑郁建模显著降低了模型组糖水偏好率(71.89±6.32 vs 87.65±3.54,P<0.05)和旷场运动距离(2219±532 vs 2930±315,P<0.05),显著提升了模型组游泳静止时间[(31.53±5.31)s vs(96.18±13.16)s,P<0.05],并且两组大鼠之间行为学的后测结果同样存在显著差异(P<0.05),即建立起有效的抑郁模型;电生理结果表明,在click声音下,模型组的两侧初级听觉皮层40 Hz-ASSR的ITPC值均低于0.6,显著低于对照组(ITPC>0.8)(P<0.05),且诱发功率也呈现降低趋势。Click声音诱发的初级听觉皮层处40 Hz-ASSR有希望作为抑郁症的潜在诊断靶标,此发现为辅助诊断和治疗抑郁症提供了一定参考。
文摘目的:基于脑电(electroencephalogram,EEG)信号探究个体在不同情绪状态下大脑网络的功能连接变化情况,并根据全局图论指标量化分析脑功能网络属性的差异性变化。方法:在多模态情绪数据库(Database for Emotion Analysis Using Physiological Signals,DEAP)中提取平静状态(作为平静状态组)和压力状态(作为压力状态组)的EEG信号,并根据EEG信号的预处理过程划分Theta频段([4,8)Hz)、Alpha频段([8,13)Hz)、Beta频段([13,31)Hz)和Gamma频段([31,45)Hz)4个频段,计算每个频段的相位锁值(phase locking value,PLV),得到PLV脑网络矩阵,然后利用小世界属性、聚类系数、特征路径长度3种全局图论属性指标对PLV网络矩阵的属性进行拓扑结构分析。比较2组情绪状态的脑网络功能连接情况,并分析2组情绪状态的全局图论属性指标的差异性。采用SPSS 25.0软件进行统计学分析。结果:2组情绪状态的功能连接比较表明,4个频段不同脑区连通性差异有统计学意义(P<0.05)。与平静状态组相比,压力状态组在Gamma频段的小世界属性显著减小,在Alpha、Beta和Gamma频段的聚类系数和特征路径长度显著增大,差异有统计学意义(P<0.05);在Theta频段,压力状态组与平静状态组的全局图论属性指标相近,差异无统计学意义(P>0.05)。结论:该研究证实了个体不同情绪状态能够在大脑功能连接方面得到显著表征,小世界属性、聚类系数和特征路径长度3个全局图论属性指标可以作为情绪状态识别的关键特征参数,为情绪状态及情感相关的脑功能疾病的诊断治疗研究提供了理论依据。
文摘为提高锁相环(phase-locked loop,PLL)的动态性能和锁相精确度,提出一种基于dq变换的改进锁相环,其通过平均值环节而不是延时信号消除(delayed signal cancellation,DSC)或低通滤波器(low pass filter,LPF)预先将负序与谐波分离出去,大幅缩短了暂态响应时间,同时亦消除了系统电压不平衡或畸变对锁相精确度的影响。详述了该PLL的工作原理;给出了关于负序与谐波分离方法的讨论;推导了控制环的线性化模型及其PI参数的整定方法。仿真与实验结果表明,由于采用平均值环节和不存在传统软件锁相环(soft ware phase-locked loop,SPLL)具有的耦合关系,该PLL可快速而准确地锁定系统电压中正序基波分量的相位,具有高动态性能和锁相精确度,适用于动态电压恢复器(dynamic voltage restorer,DVR)或统一电能质量控制器(unified power quality controller,UPQC)等对电压变化敏感的柔性交流输电系统(flexible AC transmission system,FACTS)。
文摘锁相是指系统的响应与周期性刺激的特定相位同步的物理现象.听觉神经的锁相对揭示人的听觉认知基本的神经机理及改善听觉感知有重要意义.然而,现有研究主要集中于心理物理方法和幅度谱分析,不能有效区分包络响应和时域细节结构响应,不能直观反映神经锁相.本文主要利用拔靴法和离散傅里叶变换,提出了基于样本熵的时域细节结构频率跟随响应(temporal-fine-structure-related frequency following response,FFR_T)的神经锁相值(phase locking value,PLV)计算方法,用于分析神经物理实验数据.两个脑电实验结果表明:FFR_T的PLV样本熵显著大于包络相关频率跟随响应(envelope-related frequency following response,FFR_E)的PLV,且二者正交独立,新方法能有效地分别反映听觉系统对包络和时间细节结构的锁相机理;基频处的响应主要来源于FFR_E的锁相;基频处,不可分辨谐波成分包络的锁相能力优于对可分辨谐波;基频缺失时,畸变产物是不同的听觉神经通路的FFR_E的混合;谐波处,FFR_E集中于低频,FFR_T则集中于中、高频;听觉神经元锁相能力与声源的频率可分辨性相关.FFR_T的PLV方法克服了现有FFR分析的局限性,可用于深入研究听觉神经机理.