基于多尺度注意力的特征自适应聚合脑肿瘤图像分割

针对脑部磁共振图像中脑卒中病灶的自动分割因分割目标边缘复杂、尺度变化多样而造成的识别精度不高的问题,提出一种基于多尺度注意力的多尺度特征聚合方法,该方法利用注意力机制调节中间特征不同通道的权重,并自适应地选择不同尺度的特征进行融合,在缺血性脑卒中的公开数据集ATLAS上进行的一系列实验,选取Dice系数、豪斯多夫距离、重叠度、准确率和召回率作为评价指标,结果表明所提出的模型在脑卒中病变的分割问题上取得了较好的分割效果;另外,该模型还在Kaggle公开的脑肿瘤数据集上完成对比实验,证明该模型具有良好的可泛化性。

基于图卷积网络的运动想象识别

运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向。近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息。为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信号的相关系数建立脑电图结构,提取脑电信号的时频域特征信息作为输入,再经过图卷积网络进行节点特征聚合以学习谱域特征,最后通过全连接层输出分类结果。该方法在BCI Competition IV Dataset 2a数据集上取得80.9%的准确率和0.74的kappa系数,相比其他方法可以充分学习时、频、谱域的特征信息,取得更好的识别效果,为运动想象脑机接口提供一种新的思路和方法。

基于失匹配负波的大脑功能性网络分析

根据正常人与听力损伤患者的失匹配负波(MMN)数据建立大脑功能性网络,计算该大脑功能性网络的复杂网络统计特性,发现所建立的功能性网络相对于随机网络具有类似无标度特性,而且具有高聚类系数、小特征路径长度的小世界网络特性;另外,还计算了功能性网络的平均度和网络结构熵,结果发现正常人的功能性网络的平均度、聚类系数、结构熵等参数均高于听力损伤患者的相应参数,提示了听力损伤后脑功能网络连接减弱可能是声源分辨能力下降的中枢表现,同时也反映了平均度、聚类系数、结构熵等功能性网络参数可作为反应听力损伤后声源分辨能力下降的诊断标志。

基于时空特征卷积神经网络的运动想象脑电信号识别方法

为了正确提取脑电信号的特征信息以提高大脑运动想象的识别准确率,提出一种基于时空特征的卷积神经网络(TSCNN)方法。通过一个时间卷积神经网络和一个空间卷积神网络,自主学习最优的时空滤波器参数,之后再通过卷积神经网络进一步提取不同尺度的脑电信号特征信息,完成运动想象分类识别,并在小样本情况下通过信号分段、膨胀卷积等策略进一步优化训练效率和识别性能。该方法在BCI Competition IV Dataset 2a数据集上取得78.8%的准确率和0.72的kappa系数,相比其他方法可以在不进行预处理及额外特征提取的情况下,取得更好的识别效果。

基于微状态的静息态脑电信号分析

利用微状态的时-空分析特性,采用高密度(128通道)脑电图对20例主观性耳鸣患者和20例对照组的微状态特征进行了研究。通过微状态的平均存在时间、发生频率、覆盖率、振幅和转换率参数的计算与分析,揭示了耳鸣患者和健康人脑电微状态分类的时间特征和语构存在显著差异,也反映了脑电图微状态可以作为大规模脑网络的一种有价值的分析研究方法。

基于复杂网络特征的大脑功能网络分析

为了从大脑不同区域的连接关系去区分耳鸣患者与正常人的脑功能网络,通过每两路导联脑电信号的锁相值建立高密度(128通道)大脑功能网络,计算该网络的度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和网络结构熵8种复杂网络特征指标,验证了所建立的大脑功能网络具有小世界特性,而且这些特征指标能有效描述大脑功能网络的信息传输能力与节点重要性。根据这些复杂网络特征指标作为4种分类器的输入特征向量进行分类检验,其中支持向量机算法取得最好的分类效果,准确率达到94%,验证了复杂网络指标可以作为脑电信号分类的有效特征参数。

单侧感音神经性听力损伤患者的失匹配负波小波时频分析

目前,对失匹配负波（MMN）的研究主要集中在时域上观察负波的波形与潜伏期。本研究的目的在于利用小波时频变换对神经认知功能的结构及强度进行分析,以此作为鉴别听力损伤后中枢反应的标志。利用128导联电极记录左侧感音神经性听力损伤人群和听力正常人群的MMN,经过小波时频分析,发现MMN波段能量主要集中在低频段（0~4Hz）,分别统计计算两组人的MMN在低频段的小波功率谱,结果表明,正常人与听力受损患者的小波功率谱值存在显著性差异,可见,这种与功能性神经元网络激活相关的时频小波变换能作为特定神经认知功能的判断工具。