Symbolic transfer entropy-based premature signal analysis

In this paper, we use symbolic transfer entropy to study the coupling strength between premature signals. Numerical experiments show that three types of signal couplings are in the same direction. Among them, normal signal coupling is the strongest, followed by that of premature ventricular contractions, and that of atrial premature beats is the weakest. The T test shows that the entropies of the three signals are distinct. Symbolic transfer entropy requires less data, can distinguish the three types of signals and has very good computational efficiency.

基于表面肌电分解的皮层肌肉耦合机理研究

基于表面肌电信号分解还原了肌电信号最原始的组成成分,通过分解后肌电信号段的特征研究神经肌肉系统中脑肌电信息传递规律,可以从生物电信息传递机理探索人体运动的本质.本文分别采集了9名受试者最大抓握力量的15%和30%(15%MVC、30%MVC)所对应的EEG(Electro Encephalo Graph)和sEMC(surface Electro Myo Graphy)信号,以形态学分解为基础对sEMG信号进行模板重构分解,获得运动单元动作电位MUAP(Motion Unit Action Potential),提取MUAP的幅值、数量和发射速率作为特征,基于该类特征与同步脑电信号的变化趋势以及传递熵值探索大脑皮层与肌肉的信息传递规律.不同抓握力量水平下,30%MVC提取的3个特征均比15%MVC的数值更显著,但两种力量水平提取的3个特征随同步脑电变化趋势相同:当EEG信号形成波峰或波谷信号时,MUAP数量、幅值和发射速率特征均呈现增加的变化趋势,其中MUAP幅值的增加趋势最为明显,且MUAP幅值特征与同步EEG信号的耦合(TE传递熵值)效果最好.虽然力量水平的不同会影响脑肌电信号强弱,但总体呈现的信息传递规律是一致的:当肢体肌肉收缩脑电信号增强而形成波峰或波谷时,MUAP数量、幅值和发射速率3个特征值均呈现上升的变化趋势,其中MUAP幅值特征响应效果最好,该特征能较好体现人体运动控制过程中神经肌肉系统中的信息传递规律.

基于多变量符号转移熵的癫痫脑电分析

大脑神经元细胞群的异常同步放电是癫痫的病因,这种异常放电是目前诊断癫痫的重要依据。利用复杂度理论来分析癫痫信号已经成为研究热点,而符号转移熵是反应系统混乱程度的一种非线性指标,在研究癫痫脑电信号特征的提取中有重要的作用。符号转移熵一般都是用来衡量两个变量之间的动力学特征及方向性信息,忽略了多个变量之间相互作用。本文基于多变量符号转移熵研究分析了癫痫脑电信号,实验中将原始信号符号化后通过数值分析,对导联信号及信号长度的选取以及稳健性分析,表明该方法能够对正常人与癫痫病人的脑电信号进行显著区分,且该算法稳健可靠,该研究结果对临床辅助诊断有帮助。