一、用信号复杂度的变化表征癫痫症状（论文文献综述）
耿道双[1]（2021）在《基于微波技术的急性紧张性痛觉脑活动信号的检测与识别方法研究》文中认为探索并揭示痛觉脑活动的神经机制是获取更多的脑疾病诊断方法和治疗手段的一个具有挑战性的科学问题,尤其对神经性疼痛的早期预警和诊断非常重要。早期的痛觉脑活动检测方法如脑电图、脑磁图、血氧水平依赖功能磁共振成像技术和正电子发射断层扫描技术等。这些方法一定程度上改善了痛觉的检测和监测,为脑疾病的监控和治疗带来了发展契机。然而这些方法还存在一些技术难点,有的时间或空间分辨率低,有的设备昂贵、检测成本高或对人体有放射性伤害等,给院前预警和痛觉脑信号的精准识别带来了困难。微波检测技术因其不受时-空分辨率的限制、便携和低成本的特点,近年来逐渐受到国内外学者的关注,被广泛用于脑中风、脑肿瘤和失眠症等院前检测方面的研究。基于微波检测技术的优势,本文以急性紧张性痛觉脑活动为研究对象,从微波频率变化对痛觉神经元活动的影响、痛觉脑活动的检测和信号识别方法方面,开展了深入而广泛的研究。本文的研究内容和主要研究结果概述如下:1)利用微波能够调节脑活动功能区放电频率的特性,开展微波辐射对脑电相对功率变化影响的研究。根据微波辐射与脑动力学之间的关系,建立一种微波频率与动态痛觉脑电频带功率变化以及源定位关系的测试方法,寻找最佳微波测试频率。通过计算动态脑电频带相对功率的变化和对比源定位的影响,验证不同微波频率与痛觉脑功能区神经元放电频率的抑制/激活关系。结果表明,微波辐射能够改变脑电功率的变化,痛觉源活动会随着微波频率的变化而增强或减弱,且5GHz微波测试效果最佳。另外,对比微波传输信号与痛觉脑电信号的波形图及频谱图,利用线性相关分析方法,计算出微波传输信号与脑电信号之间的相关系数,验证了微波检测痛觉脑活动的可行性。2)提出了一种熵结合机器学习的方法识别微波传输信号中的痛觉信息。根据微波传输信号的时序变化特点,提出了基于波动的多尺度色散熵和基于频域变化的功率谱香农熵作为表征“无痛”和“痛”信号复杂度的特征。利用经验模态分解和变分模态分解提取两种疼痛类别信号的熵,采用基于互信息的最小冗余最大相关准则和主成分分析算法进行特征选择和降维,选取浅层机器学习模型对特征数据集进行训练和分类,分析特征提取算法、特征选择算法的分类性能。结果表明,熵对于区分具有不同复杂度的痛觉信号效果显着,基于变分模态分解结合最小冗余最大相关准则获取的特征数据具有更高的分类准确率、灵敏度、特异性、阳性预测值,分类策略表现更优,对于提高微波检测的识别性能具有重要价值。3)提出一种多类型复合特征的微波痛觉脑活动识别方法。在“无痛”和“痛”二分类任务的基础上,使用小波包分解、变分模态分解两种算法独立或叠加的方式,提取相对能量变化、精细复合多尺度色散熵、精细复合多尺度模糊熵和基于Burg算法的自回归模型系数作为识别无痛和痛的复合特征。采用浅层机器学习分类策略,评价复合特征的性能。结果显示,叠加的特征提取算法能够获得更大的识别能力,更有可能从信号中捕捉到的大脑非线性动态,且随机森林的分类策略更优,结果更稳定。该方法进一步优化了痛觉脑活动信号的识别率。4)提出了基于深度神经网络的疼痛强度特征表示与识别方法。借助小波包变换极佳的频带细分识别能力,利用多尺度熵、不同深度的卷积神经网络和不同层结构的长短时记忆网络的特征提取和分类模型,结合现有的浅层机器学习模型,设计了七种特征提取和识别模型。结果表明,卷积神经网络的特征提取模型,明显改善了中度疼痛和深度疼痛难以区分的情况,相比较多尺度熵特征模型,分类性能提高3%以上。而对于分类性能,卷积神经网络和长短时记忆网络要比浅层机器学习方法,分类准确率、精确率更高,尤其是双向长短时记忆网络。该方法解决了疼痛强度脑信号复杂的特征工程计算成本,同时增强了不同等级疼痛信号的识别能力。本文提出的微波检测方法依靠其不受时间分辨率和空间分辨率限制的优势,以其安全、低成本、方便快捷等优势使痛觉脑活动检测更加精确、及时和高效,对疼痛类型简单、快速、准确的检测具有重要应用价值。另外,运用先进的机器学习技术,挖掘脑活动数据中蕴含的信息,极大改善了痛觉和疼痛强度识别能力,为高精度的痛觉脑活动解析提供了科学基础和技术支持。
蒋鋆[2]（2021）在《面向癫痫预警任务的脑电信号分析算法研究》文中指出癫痫是一种伴有脑神经元异常放电的慢性非传染性神经系统疾病。临床医生通过视觉检出患者24小时包含丰富生理病理信息的脑电图完成对癫痫的检测诊断。由于视觉检测耗时耗力、主观因素强等缺点及脑电图能总体反映脑神经细胞电生理活动的特点,联合信号处理和模式识别的癫痫分析技术成为研究的热点。为了降低癫痫发作造成的伤害,在癫痫发作后利用脑电信号对癫痫事件分类检测的前提和基础上,通过癫痫患者的长期脑电记录识别检测出视觉无法观察到的癫痫发作先兆特征可以完成对癫痫的预警任务。癫痫的突发性和高危性严重影响患者的身心健康、增加医护人员的工作负担以及加大社会风险指标,癫痫发作的早期预测是癫痫疾病治疗的瓶颈。已有研究表明,在癫痫发作前患者的大脑模式已经发生变化,通过在发作前特定时间区间内完成对神经活动异常变化的检测可以有效实现癫痫预警。因此,在癫痫发作之前完成对发作事件的预测,医护人员发现警报信号后及时进行给药或电刺激等介入控制,可以减少发作次数并提高生活质量,这对于癫痫疾病的早期干预治疗有着重大的研究意义和临床价值。基于脑电信号的癫痫预警算法研究正处于起步阶段,面向实际临床应用时存在虚警率高、普适性差等问题,此外复杂多样的脑电信号也为癫痫研究带来了挑战。本文在完成不同时期癫痫脑电信号的检测基础上,在特定时间区间完成对癫痫发作先兆特征的识别从而实现癫痫的预警分析研究。分别针对现有面向临床诊断的癫痫脑电信号检测算法稳定性、复杂度以及普适性问题展开研究,建立相应的模型并探索方法的有效性。本文主要研究工作和创新性成果如下:（1）针对算法对癫痫信号表征能力不足导致面向多种分类任务时识别结果差异较大的问题,提出了基于散射变换的癫痫脑电信号检测算法。散射变换融合小波域和复数域的分析特性,通过复小波分解的级联和局部加权平均方法得到具有时移不变性和局部稳定性的信号特征,在多个散射路径不同方向、尺度的迭代分解为提高表征能力的稳定性做出贡献。利用散射变换域的模糊熵和对数能量熵特征得到对多个不同时期癫痫脑电信号的互补表征,充分挖掘了能够区分癫痫发作期信号与其他时期信号的有效动力学特征。在德国波恩大学癫痫脑电数据集上,利用极限学习机分类器完成八种不同“癫痫发作-其他”任务的分类,均取得了不低于99.56%敏感性、99.50%特异性、99.50%准确率和0.99Matthews相关系数的评价指标。稳定的识别结果表明了所提算法对不同时期癫痫脑电信号的有效表征能力,癫痫发作信号的可区分度得到有效提高。（2）针对检测模型复杂度高且需要人为经验选择特征的问题,提出了基于辛几何的癫痫脑电信号检测算法。直接在辛空间中通过辛相似变换完成对不同类型癫痫脑电信号的自适应特征提取,避免了人工设计特征的缺陷。作为哈密顿体系中的一种正则变换,辛相似变换能够保持原始脑电信号的可测性和基本特性。得到的特征向量之间不仅具有相互正交性,非线性变换的本质也更适合于癫痫脑电信号的动态分析,在提高表征能力的同时大大降低了模型的复杂度。将辛特征送入K近邻分类器中,在波恩大学癫痫脑电数据集的十种临床多分类任务中,敏感性、特异性、准确率和Matthews相关系数分别不低于为99.17%、99.17%、99%和0.96;在波士顿儿童医院23名受试者的多导联头皮脑电数据库的“癫痫发作-非癫痫发作”任务中,上述评价指标的平均性能分别为97.17%、99.72%、99.62%和0.92。分别在长、短程数据集中得到的实验结果验证了所提检测模型的较高分类精度和较低复杂度,为癫痫发作辅助诊断系统的开发奠定了基础。（3）为了在癫痫发作发生前完成对病人的警告,在前期实现不同时期癫痫脑电信号检测算法稳定性和低复杂度研究的基础上,在特定的时间区间内继续对基于癫痫发作先兆特征的预警任务展开研究。针对在多个受试者上普适性较差的问题,提出基于同步提取线性调频小波变换的癫痫脑电信号预警算法。通过结合短时傅里叶变换可逆性和理想时频表示稀疏性的优势获得一种相对理想且具有较高分辨率的癫痫脑电信号时频表征。引入线性调频率参数得到高能量集中度的时频脊线。通过舍弃扩散模糊区域的时频能量后仅保留与信号时变特性最相关的时频信息。最后利用辛几何分解得到发作先兆状态的有效特征并通过支持向量机完成对癫痫发作的预警分析。1min癫痫发作预测期和30min癫痫发作发生期的条件下,在波士顿儿童医院17名受试者的头皮癫痫脑电数据集中,对共计83次的癫痫发作事件取得了90.92%的平均灵敏度和0.14/h的虚警率;在Kaggle癫痫预测竞赛数据集所有受试者的颅内脑电数据上,所提算法的平均灵敏度和虚警率分别为91.5%和0.16/h。在不同癫痫预测数据集中多名受试者的不同类型脑电信号上验证了所提预警算法的普适性,为面向临床的癫痫预警分析算法提供了新的解决方案。综上,本文在完成多种不同时期癫痫脑电信号的后验性癫痫发作检测的研究基础上,立足于基于癫痫脑电信号研究的实际临床应用需求,提出了面向预警任务的癫痫脑电信号分析算法模型,实现了在癫痫发作前对病人准确可靠的警告。本文的工作为基于脑电信号的癫痫预警算法奠定了理论基础,为下一步癫痫的临床预警治疗系统的开发提供了一种解决方案。
尤洋[3]（2021）在《基于复数域分析的致痫区脑电信号识别算法研究》文中研究说明癫痫是一种以具有持续性致痫倾向为特征的脑神经系统疾病。全球约1500万的癫痫患者为药物难治性癫痫,需要手术切除致痫区来控制或治愈癫痫。准确定位致痫区是手术治疗成功的关键。脑电图可以直观反映大脑电生理活动,是术前诊断致痫区的必要手段。临床医生通过视觉检查患者24小时长程脑电图来定位致痫区,但视觉检测耗时耗力且具有主观性和经验性,使得基于数字信号处理的致痫区辅助诊断技术成为当下癫痫研究领域的热点。该技术最关键的任务是依据癫痫活动时脑电的特点,设计基于信号处理和模式识别的致痫区脑电信号识别算法。一方面力求克服人工视觉诊断的弊端,极大地提高致痫区辅助定位的准确率和效率,缓解癫痫患者的痛苦;另一方面也为后续癫痫辅助诊断系统的开发奠定基础。然而癫痫样放电模式复杂多变,要实现准确且高效的致痫区脑电信号识别仍是一个艰巨的挑战。本文针对目前致痫区脑电信号识别算法准确性、算法效率和泛化性能较差的问题,结合癫痫脑电信号非线性、非平稳的特点,设计基于复数域分析的致痫区脑电信号识别算法,并探索相应算法在致痫区辅助定位中的有效性。本文的主要研究工作和创新性成果如下:（1）针对基于实数域的分析方法对脑电相位信息表征不足的问题,提出了基于柔性解析小波变换的致痫区脑电识别算法。利用柔性解析小波变换获得复数域下的复值脑电小波系数,同步保留脑电幅值和相位信息。引入复值分布熵实现对复值脑电系数的幅值-相位非线性信息的同步挖掘。将柔性解析小波变换灵活的时频表征特性、复值分布熵和对数能量熵的非线性分析能力相结合,有效且更充分地挖掘了潜在病理信息,增强了分析算法的识别性能。在伯尔尼-巴塞罗那脑电数据集3750对焦点和非焦点脑电信号的识别中获得了95.26%的识别准确率、96.35%的特异性和94.21%的敏感性,初步验证了复数域分析方法在致痫区脑电信号识别中的有效性。（2）针对传统时频分析方法对脑电节律信息挖掘能力较差的问题,提出了基于复值脑电节律特征的致痫区脑电识别算法。该算法将双树复小波变换与希尔伯特变换相结合以获得复数域下脑电节律的调幅和调相信息;然后结合标准差、奇异值和复值模糊分布熵从多角度捕捉复值脑电节律包含的病理信息,更深入地揭示焦点和非焦点脑电信号的节律特性;最后利用Logit Boost算法对决策树分类器进行集成,并增强分类器识别结果的可靠性和稳定性。实验结果表明,δ+θ节律对致痫区识别贡献率最大,特征差异度最大,在3750对焦点和非焦点脑电信号上取得了98.83%的识别准确率、0.976的马修斯相关系数和8.1ms的单样本识别时间。由此说明所提识别算法能够更充分地挖掘脑电节律信息,并且在识别性能和计算复杂度之间达到了平衡,提高了致痫区辅助定位的准确性和效率,进一步表明基于复数域分析的脑电识别算法的优越性。（3）针对传统脑电特征提取算法特征学习稳定性和泛化性差的问题,提出了基于幅-相融合矩阵和深度特征学习网络的致痫区脑电识别算法。基于前述的研究结论,直接对脑电信号进行低通滤波获得0-8Hz脑电频段。对脑电信号进行希尔伯特变换获得其解析信号,并由此得到脑电幅值矩阵和相位矩阵。引入多尺度引导滤波融合对幅值矩阵和相位矩阵进行数据层融合以获取包含深层信息的幅-相融合矩阵。利用主成分分析网络直接从幅-相融合矩阵中进行自动特征学习,解决个体差异为特征设计带来的困难,克服传统人工设计特征的经验性和局限性。利用伯尔尼-巴塞罗那和波恩两个脑电数据集对所提算法进行验证。对致痫区脑电信号的识别准确率为100%,马修斯相关系数为1;对7种不同癫痫检测任务均可获得99%以上的识别准确率和0.975的马修斯相关系数。实验结果表明所提识别算法保证了识别准确率和计算效率,并且在不同癫痫诊断任务场景下具有较好的泛化能力和鲁棒性。综上,本文以焦点和非焦点脑电信号为研究对象,围绕基于脑电信号的致痫区辅助定位技术中最关键的致痫区脑电信号识别算法构建问题展开研究。利用脑电信号的复数域表征算法实现了准确、高效的致痫区识别,对致痫区辅助定位技术的实用化进程起到了积极有效地推进作用,为下一步癫痫辅助诊断智能系统的研制奠定了理论基础。
冯阳洋[4]（2021）在《基于变分模式分解和深度森林的脑电信号识别》文中指出脑电信号作为一种机理十分复杂的随机信号,包含着许多有价值的信息,通过脑电信号可以监测大脑的功能、认知、思维等高级中枢活动,它是研究人类大脑功能状态的一个重要渠道。建立一个有效识别脑电信号的模型,对于帮助医生进行诊断和治疗具有重要的现实意义。本文以波恩大学脑电信号为研究对象,提出了基于变分模式分解和深度森林算法相结合的脑电信号识别模型,并提出对脑电信号的固有模态函数提取四个维度下的特征信息,此外,将主成分分析方法应用到脑电信号的特征降维中,提高了分类精度。论文的主要研究工作如下:（1）基于变分模式分解算法良好的噪声鲁棒性、非迭代分解和自适应选择频带的优点以及克服错误分类问题的能力,采用变分模式分解算法对脑电信号数据集进行信号分解处理。本文结合分解后的剩余能量与原始能量的比值,最后将最优的变分模式分解个数K值确定为12。（2）在脑电信号分类过程中,提取了多个维度的特征作为分类算法的输入特征,以全面概括脑电信号的输入信息。在对经变分模式分解所得的脑电信号固有模态函数进行特征提取时,为了让所提取的特征更具有代表性,分别提取了1个脑电信号的集中趋势特征、10个脑电信号的离散程度特征、2个脑电信号的分布情况特征、4个脑电信号的时域和频域特征。（3）为了降低数据维度和提高预测精度,采用特征降维的方法对所提取的多个维度下的特征进行筛选。首先介绍了基于随机森林和主成分分析的特征筛选和降维方法,并在各分类模型下比较两种降维方法在提高脑电信号分类精度上面的性能。结果表明,基于主成分分析的特征个数比基于随机森林的特征个数少,且在深度森林算法下,基于主成分分析的脑电信号分类准确度也有所提高。（4）为了对癫痫脑电信号进行有效识别,本文将波恩大学的脑电信号重组成三个分类集,分别是:健康受试者和癫痫患者发作期的脑电信号、癫痫患者发作间期和发作期的脑电信号、健康受试者和癫痫患者发作间期及发作期的脑电信号。采用决策树、装袋算法、随机森林、支持向量机和深度森林等机器学习算法,分别在五折交叉验证和十折交叉验证下对三个分类集进行癫痫脑电信号的识别,并得到了各算法的识别精度。结果显示,利用主成分分析降维后所得的特征作为输入特征,基于变分模式分解和深度森林的脑电信号识别算法具有最高的识别正确率。综上,本文以脑电信号为研究对象,探讨了一种检测癫痫发作的新模型,利用变分模式分解、主成分分析和深度森林相结合的方法进行癫痫检测,不仅有助于深入挖掘癫痫患者的大脑活动状态,而且可以为医生的临床诊断和决策提供重要的参考性意见,本文提出的方法具有医学研究参考价值。
谭媛[5]（2021）在《精细复合多尺度排列模糊熵在静息态fMRI信号中的应用》文中研究指明大脑本质上是一个非线性复杂的系统,其神经信号内在特征的变化可以反映大脑结构与功能的异常。在神经信号特性中,复杂度研究一直是研究者们关注的焦点。熵作为一种常用的复杂度分析方法,能够有效刻画神经信号的无序性和混乱程度,并且随着技术的发展,多尺度熵在神经信号分析领域也得到了广泛的应用,其被用来分析非平稳信号时表现出了显着的优势。近些年,大量的研究人员利用熵指标分析大脑静息态功能性磁共振成像（Resting-state functional magnetic resonance imaging,rs-f MRI）信号,研究其复杂度的变化,并取得了一定的成果。根据时间序列分析需要,研究者提出了排列模糊熵（Permutation Fuzzy Entropy,PFEN）,主要用来弥补模糊熵的不足,随后提出了多尺度排列模糊熵（Multiscale PFEN,MPFEN）,可以从多个时间尺度上对信号的复杂度进行分析,但是,多尺度排列模糊熵在f MRI信号的分析研究中仍然存在一些不足。首先,MPFEN在粗粒化过程中,当尺度因子越来越大,粗粒化序列逐渐缩短,可能产生不精确的熵估计值;其次,时间序列过短,熵值在计算时可能产生不明确或者没有定义的熵。因此解决多尺度排列模糊熵存在的问题,以便更好地反映大脑所处状态的复杂度是非常有必要的。因此,本研究旨在解决多尺度排列模糊熵存在的问题,并将熵指标应用于分析双相情感障碍（Bipolar Disorder,BD）患者复杂度的变化。首先,本文针对MPFEN产生的不准确和没有定义的熵估计,提出了精细复合多尺度排列模糊熵（Refined Composite MPFEN,RCMPFEN）;其次,针对RCMPFEN对多次测量数据的稳定性,本研究分析了MPFEN和RCMPFEN的重测信度;最后,利用熵分析BD患者f MRI信号复杂度的变化。本研究主要的内容和成果如下:（1）针对多尺度排列模糊熵的不足,提出精细复合多尺度排列模糊熵。利用MPFEN分析神经信号时,随着尺度的增加,可能产生不精确或没有定义的熵值,从而影响实验的结果。基于此,对MPFEN的粗粒化过程和熵值计算进行了改进,从而提出了RCMPFEN。RCMPFEN的粗粒化过程是,在一个尺度上依次平移生成与尺度因子相同个数的粗粒化序列;熵值计算时为了降低未定义熵值出现的概率,将不同尺度上所有粗粒化序列求和再计算排列模糊熵。通过这两方面的改进,来提高MPFEN的稳定性。（2）分析精细复合多尺度排列模糊熵的重测信度。RCMPFEN在理论上解决了MPFEN存在的不足,为了进一步说明RCMPFEN在分析重复测量的数据时仍具有稳定性,本研究利用两组f MRI信号的重测数据集（NYU数据集和IBA数据集）,分别从全脑体素、脑区和功能网络三个角度分析了MPFEN和RCMPFEN的重测信度。结果表明,RCMPFEN在三个方面上的重测信度都优于MPFEN,在分析NYU数据集时,发现组内的重测信度比组间的重测信度更好,而且在分析功能网络时,默认模式网络、额顶网络和视觉网络表现出的重测信度均优于其他功能网络。（3）精细复合多尺度排列模糊熵的应用。将MPFEN和RCMPFEN应用于双相情感障碍（BD）患者的f MRI信号复杂度的分析。结果表明,RCMPFEN在各尺度上获得的差异脑区更多,而且患者组在不同尺度下发现的显着差异脑区是不同的,与低尺度相比,高尺度上发现更多差异脑区,反映了BD患者在不同尺度下表现出异常的大脑活动,其异常脑区主要集中在额叶、枕叶、颞叶和顶叶。
陈春丽[6]（2021）在《脑功能疾病中的脑电网络研究》文中研究说明大脑是一个复杂的网络,信息的高效传输和处理依赖于不同脑区之间的信息交互。复杂脑网络分析法则可以定量评估脑区间的相互作用关系,目前被广泛用于大脑认知、精神性或神经性疾病研究中。然而,某些脑区的缺陷会干扰大脑对即将到来的信息的处理,从而导致网络功能失调。研究表明,许多脑疾病都被视为脑网络障碍,且表现出异常的网络模式,包括癫痫和注意力缺陷多动症（Attention deficit hyperactivity disorder,ADHD）。基于此,本文首先关注了常见的且具有代表性的神经系统疾病之一——癫痫,其具有发作时间不确定和反复发作等临床症状。长期反复发作会对患者的神经系统造成严重损伤,进而导致患者的行为和认知功能受损。现有研究大都聚焦于患者长期癫痫发作后的脑功能损伤,少有研究探索导致癫痫反复发作的生理病理机制,因此揭秘癫痫长期反复发作的神经机制对于发展该疾病的临床治疗和干预手段具有重要意义。随后,我们关注了常见的且具有代表性的精神类疾病之一——ADHD,该疾病常发现于儿童群体中,患者通常表现出注意力分散、活动过度以及行为冲动等特征。目前临床上对于该疾病的诊断主要依赖于量表评估以及患儿父母或学校老师的描述,具有很强的主观性,因此研究该疾病的潜在神经机制对于发展客观可靠的诊断指标以及治疗手段非常必要。在本文中,我们借助具有高时间分辨率的脑电图（Electroencephalogram,EEG）,并通过复杂脑网络分析方法来分别揭示这两类疾病的生理病理机制,从而进一步探讨功能脑网络分别在癫痫和ADHD临床诊断和治疗中的潜在应用价值。本文的具体研究内容如下:1、癫痫的脑网络机制研究。与四川省人民医院合作采集了10例癫痫患者的24小时EEG信号。我们分别选取了每个患者在清醒状态下癫痫发作前和发作后各10分钟的数据以揭示这两个状态下的脑活动变化。在本章节中,我们首先从能量和大脑复杂度及灵活度出发来探究癫痫发作前和发作后的大脑差异。具体来讲,我们采用了功率谱密度（Power spectral density,PSD）来计算大脑能量,而模糊熵（Fuzzy entropy,FE）用于衡量大脑复杂度及灵活度。结果表明,在δ（1-4Hz）频段,癫痫发作后的PSD在电极P3/P4、F7/F8、T5/T6上显着大于发作前,并且癫痫发作后的FE主要在额叶、中央以及颞叶区域显着低于发作前,这两个分析方法揭示的差异脑区基本一致,表明癫痫发作后大脑呈现出能量聚集和灵活度降低的现象。然后,我们分别构建和分析了两个状态对应的网络拓扑结构。结果表明,在δ频段,网络拓扑差异表现为癫痫发作后,额-顶-枕叶之间的长程连接减弱,而额-颞-顶-中央区域之间的短程连接增强。最后,为了进一步挖掘癫痫反复发作的网络机制,我们将PSD、FE以及网络属性分别和发作次数进行相关性分析。结果表明,在δ频段,PSD以及FE均和发作次数无显着相关性,但一方面,部分电极仍表现出能量聚集现象,即每一次癫痫发作后的PSD均大于发作前,且能量基线逐次升高;另一方面,部分电极也显示癫痫发作后大脑复杂度和灵活度降低,即每一次癫痫发作后的FE均小于发作前,且基线逐次降低。然而,我们发现网络属性和发作次数呈显着相关,表现为特征路径长度和发作次数呈显着正相关,而聚类系数、全局效率以及局部效率均和发作次数呈显着负相关,这一结果彰显了脑网络分析法在揭示癫痫反复发作的神经机制中的独特优势,或能成为癫痫研究以及临床辅助治疗的潜在有效生物指标。在这一研究中,我们分别从大脑能量、复杂度及灵活度和功能脑网络角度揭示了癫痫发作后的脑活动变化,这有助于揭示癫痫反复发作的潜在神经机制尤其是网络机制。2、ADHD的脑网络机制研究。与深圳市罗湖区妇幼保健院合作采集了40例ADHD儿童患者和31个健康对照（Healthy controls,HCs）的P300任务态EEG信号。在本章节中,我们首先发现ADHD儿童和HCs无显着的行为差异,具体表现为反应准确率和反应时无显着差异。进一步,我们期望从电生理上挖掘两组被试的差异。我们首先探讨了事件相关电位（Event-related potential,ERP）在两组中的差异。结果表明,一方面,与HCs相比,ADHD患儿的P200和N200波幅明显降低,而P300无显着差异;另一方面,在揭示皮层活动时,HCs比ADHD儿童的大脑活动更强,主要集中在颞叶和额叶区域。其次,我们分别构建和分析了两组被试的网络拓扑结构,结果表明,ADHD患儿的额-枕长程连接增强,而额-顶-颞叶之间的连接减弱。在这一研究中,我们分别从ERP和功能网络角度揭示了ADHD儿童的非典型认知加工过程,帮助理解其生理病理机制,有助于发展客观可靠的生物标志物来识别该疾病。综上,本论文通过脑电网络分析发现了癫痫发作后的异常大脑活动变化以及ADHD儿童患者的非典型认知加工过程,证明了EEG网络在挖掘患者失调大脑信息交互模式中的独特优势,有助于发展两类神经类疾病的诊断方法和治疗手段。
祝婧[7]（2021）在《面向轻度抑郁识别的脑电和眼动数据表征融合方法研究》文中认为情感计算是与情感相关,来源于情感或能够对情感施加影响的计算。通过计算,赋予计算机感知、理解和表达情感的能力。在医学研究领域,某些心理疾病常常伴随着认知障碍、情感异常。情感计算可以为客观量化和评估这些心理疾病提供有效的方法和手段,因而常被用于各类心理疾病的辅助诊断。抑郁症作为一种典型的情感障碍,患病率高且危害巨大,是当前社会面临的一大精神健康问题,严重影响患者的身心健康。近年来,基于脑电、眼动、脑影像、语音、网络行为等能够反映生理、心理变化的抑郁识别方法受到广泛关注,成为研究热点。现代医学将抑郁症分为轻度、中度和重度,早发现早治疗对抑郁症防治至关重要。但是,轻度抑郁因早期症状不明显,就诊率低,且现有诊断方式常常会造成漏诊和误诊,而脑功能影像、语音等当前常用的评估手段很难检测出其特异性,导致当前对轻度抑郁的关注不足。脑电图对脑活动的轻微变化非常敏感,且具有高时间分辨率以及非侵入式等优点,眼动数据则能够将心理状态直观反映在行为数据上。因此,本文采用情绪面孔自由浏览实验范式,基于抑郁评估量表及医生问诊,面向在校大学生人群同步采集脑电和眼动数据。在单模眼动、脑电分类以及脑功能网络研究的基础上,开展了面向轻度抑郁识别的脑电和眼动数据表征融合方法研究。主要工作和创新点如下:⑴针对生理信号存在个体差异,导致单一分类器的分类效果不稳定、泛化性能差的问题,本文提出了基于内容的组合分类模型CBEM（Content Based Ensemble Method,CBEM）。CBEM是由多个分类器组合而成的复合模型,根据实验刺激材料类型对数据集进行划分,对每个数据子集训练分类器得到子集上的分类结果,并按照投票策略确定最终结果。在此基础上,本文提出了固定组合的静态CBEM模型和可变组合的动态CBEM模型。本文通过不同的眼动数据集验证了CBEM模型具有很好的泛化性能和鲁棒性。基于单模态眼动数据的轻度抑郁识别正确率可以达到80.75%,相较于传统分类方法提高了6%。⑵针对单一生理指标信息覆盖范围有限、不能全面反映抑郁症特征的问题,本文基于降噪自动编码器构建了脑电和眼动双模态数据融合的轻度抑郁识别模型,借助多模态数据间信息的互补性,拓宽了输入数据的信息覆盖范围,从而提高轻度抑郁识别正确率。本文分别采用显层融合和隐层融合两种策略进行眼动和脑电数据的融合,在显层融合策略中,将脑电和眼动特征一起输入降噪自动编码器生成隐藏层共享表示,并利用该共享表示训练分类模型。在隐层融合策略中,分别将脑电和眼动特征输入降噪自动编码器生成不同的隐藏层共享表示,通过合并形成新的共享表示,并作为输入训练分类模型。实验结果表明,基于降噪自动编码器的脑电和眼动双模态数据融合方法,相较于传统特征拼接融合方法而言,能够显着提高轻度抑郁的分类准确率。其中,显层融合策略更为有效,能够达到88.97%的分类正确率。⑶针对当前多模态数据融合研究中,缺乏对数据相关关系探讨的问题,本文提出了基于互信息的融合模型MIBFM（Mutual Information Based Fusion Model,MIBFM）,挖掘脑电和眼动数据之间的相关关系,探索新的表征特征,实现轻度抑郁的精准预测。MIBFM从眼动原始数据中提取瞳孔信号,以瞳孔信息的时空特性为基准筛选脑电电极,从而达到数据降维、优化特征空间的目的。在此基础上,将筛选出的脑电数据划分为delta、theta、alpha、beta和gamma五个波段,将瞳孔信号划分为EM-delta、EM-theta、EM-alpha、EM-beta和EM-gamma五个波段,分别提取线性和非线性特征,构建新的表征特征。最后,基于新的表征特征选择不同的融合策略进行轻度抑郁的识别。实验结果表明,相较于传统特征的融合方法,MIBFM能够显着提升beta、theta、alpha、delta等波段的融合效果。其中,显层融合策略效果最好,能够达到88.95%的轻度抑郁分类正确率。面向轻度抑郁识别,本文提出了CBEM组合分类模型,解决了单一分类器泛化性能差、分类效果不稳定的问题;基于降噪自动编码器构建了基于脑电和眼动双模态数据融合的轻度抑郁识别模型,提高了轻度抑郁的识别正确率;此外,还提出了基于互信息的融合模型MIBFM,给出了脑电和眼动双模态数据融合的轻度抑郁识别模型构建新思路,能够在优化特征空间的基础上,仅使用瞳孔信息以及少数脑电导联,获得较高的轻度抑郁识别正确率,研究结果能够为相关便携以及普适化应用系统的开发提供理论基础和技术支撑。
沈健[8]（2021）在《面向抑郁识别的脑电导联空间及本征特征优化方法研究》文中研究说明近些年,经济和社会的高速发展提高了人们的物质生活水平,同时带来了更快节奏的生活和更激烈的社会竞争,身心压力也随之增加,导致抑郁症的发病率持续上升,严重危害了人类的生命和健康。抑郁症是一种呈现情感和认知功能障碍的精神疾病,会影响到患者的思想、行为、感情和幸福,也是自杀的主要诱因。当前,抑郁症的临床诊断主要依赖于自评量表和医生访谈,最终由医生根据经验主观地诊断,这对医生的临床经验和诊断方式有着较高的要求。但是,在临床实践中,医患数量极不平衡,同时临床诊断也会耗费大量的时间,因此,依靠蓬勃发展的人工智能（Artificial Intelligence,AI）和情感计算（Affective Computing）技术来开发一种客观有效的抑郁识别方法是至关重要的。脑电（Electroencephalogram,EEG）作为一种客观反映大脑活动状态的生理信号,通常被认为是一种辅助临床抑郁症诊断和检测的有效工具。在抑郁识别研究中,EEG多导联空间和有限导联子空间的优化和选择不够充分,会限制抑郁识别效果。同时,面对高度复杂、非平稳的EEG信号,传统经验模态分解（Empirical Mode Decomposition,EMD）本征特征提取方法会由于本征模函数（Intrinsic Mode Functions,IMFs）矩阵积不可逆而无法提取有效特征。针对上述问题,本文一方面从优化EEG的导联空间入手,探索EEG的导联权重优化及导联子空间选择方法,另一方面从优化EEG本征特征入手,发掘能够表征EEG本征特性的有效特征方案。本文的主要工作和创新点如下:1.针对EEG多导联权重设置不够优化限制抑郁识别效果的问题,本文面向EEG导联的共性和个性信息分别提出了损失最小化导联加权方法和自适应导联加权方法,从EEG的多导联空间充分地优化EEG的空间信息。损失最小化导联加权方法从EEG导联的共性信息入手,通过学习令EEG导联空间和类别损失最小化的权重来充分地探索最能反映抑郁识别特性的EEG空间信息。自适应的导联加权方法首先对EEG的每一导联特征构建最优化的核矩阵,并基于核矩阵计算出每段EEG与不同类别的相似度,利用相似度计算出每段EEG的自适应导联权重,以动态地探究每段EEG的最优化空间信息。该方法面向EEG信号的个性化信息,通过综合考虑每段EEG在抑郁识别任务中的不同贡献来动态地设置权重,从而令每段EEG在空间上能得到最优化的表达。通过在两个EEG数据集上的实验进行验证,结果表明与其他主流的导联权重优化方法相比,本文提出的两种导联加权方法能有效地提升抑郁识别效果。2.为了解决在抑郁识别中EEG的有限导联子空间选择不够充分的问题,本文提出了一种基于核目标对齐（Kernel-Target Alignment,KTA）的多导联EEG最优化导联选择方法,面向EEG的多导联空间,探索与抑郁识别任务最相关的导联子空间,以达到优化EEG导联空间的目的。该方法首先考虑一种修改型KTA（modified KTA,m KTA）函数度量EEG导联子空间和目标空间的对齐程度。然后,该方法提出一种最优化的导联选择策略优化导联子空间,以求解令EEG空间信息与目标对齐度最高的导联子空间来进行抑郁识别。该导联选择方法能够从EEG的空间信息入手动态地选择最适合抑郁识别的导联子空间,同时可以挖掘导联对应的脑区与抑郁识别的相关性。此外,该方法还能有效地降低计算和空间复杂度、减少实验设置时间、高效利用EEG空间信息且具有较高的合理性以及可解释性。通过在EEG数据集上的实验对比,验证了本文提出的导联选择方法的有效性。3.针对传统EMD本征特征提取方法由于IMFs矩阵积不可逆导致无法提取有效特征的问题,本文通过引入奇异值分解（Singular Value Decomposition,SVD）和正则化参数分别提出了SVD改进型本征特征提取方法和正则化参数改进型本征特征提取方法,面向EEG的本征特性,发掘能充分反映抑郁识别特性的有效EEG特征。SVD本征特征提取方法使用SVD分解IMFs矩阵积并通过将分解得到的对角矩阵非零元素求倒以求取其伪逆,实现优化EEG本征特征的目的。正则化参数本征特征提取方法利用正则化参数对角矩阵与IMFs矩阵积相加来确保其和矩阵可逆,并使用和矩阵的逆替代IMFs矩阵积的逆,以优化的方式有效地提取EEG的本征特征。实验结果表明,本文改进的本征特征提取方法能从EEG的本征特性入手,发掘能够提升抑郁识别效果的有效特征。本文通过深入优化EEG的导联空间和本征特征,以导联加权、导联选择以及特征提取等方法为切入点以求获得更好的抑郁识别效果。本文提出的导联加权方法和导联选择方法可以从EEG的多导联空间中探究EEG的优化导联权重和最优导联子空间来优化EEG的空间信息,同时本文改进的本征特征提取方法,从优化EEG的本征特征入手,探索在抑郁识别中不同类别的EEG信号的本质差异。本文研究旨在解决现有的抑郁识别研究框架存在的问题,在理论和应用上都获得了良好的成果,本文的研究还将进一步推动抑郁症识别智能化应用的发展。
许恢斌[9]（2021）在《基于熵理论与复杂网络分析法的时间序列分类研究》文中研究表明时间序列分析被广泛应用到应用数学、金融物理、生物信号分析、雷达、水生、通信、自动控制、机械振动、地震勘探、水文时间序列及空间天气预测等众多领域,它也一直是相关领域的前沿热点问题之一。真实时间序列的非线性性、随机信号的非平稳性一直以来都是困扰着相关研究领域广大科研人员的技术难题。研究者通常会选择局部线性化和简化为平稳随机问题的方式来处理这一困难,其结果当然不甚满意。正是基于这一现状,越来越多的研究者开始寻求新的研究视角、方法,去探索这些传统困难问题的新的解决途径。近年来,在众多用于研究非线性时间序列特征提取的新方法中,熵理论与网络科学分析法逐渐受到了越来越多学者的广泛关注。本文着重从熵理论和复杂网络分析视角开展了对非线性时间序列内在特征提取与分类的系列拓展性研究。熵作为刻画非线性时间序列非平稳性和复杂性一种测度指标,它既可以反映出时间序列隐藏的非线性动力学特征,也能够刻画出非线性时间序列的非平稳性和混乱程度。首先,选取生理信号中的脑电信号集为研究对象,本文通过计算相关信号的信息熵、样本熵、排列熵、模糊熵以及Hurst指数等数字特征,开展了对癫痫脑电的二分类研究;借助机器学习中的K近邻算法、决策树算法和SVM算法,开展了二分类结果的对比,数值实验结果表明,基于“信息熵、样本熵、排列熵、模糊熵以及Hurst指数”联合特征分类获得的准确率能够达到100%。其次,本文使用基本可视图、水平可视图以及改进分位图算法等新兴复杂网络分析法,将癫痫脑电数据集构造为伴生的复杂网络数据集,通过计算相关网络拓扑数字特征,开展特征提取,进而用与机器学习分类;数值实验结果表明:使用K近邻算法对五类癫痫数据进行分类准确率可达到98.4%,使用决策树可达100%,均高于文献报道的相关算法的准确率。本文提出的算法对于及时发现脑部疾病的隐藏信息辅助实现脑疾病的早预警、早发现和早治疗具有一定参考价值。此外,本文还探讨了相关算法的工业应用问题,将本文提出的改进分位图算法用于掺杂牛肉的光谱信号分类识别问题,同样取得了优于文献报道的相关掺杂牛肉检测算法的灵敏度,相关算法具有较高的工业应用价值。最后,本文还基于MATLAB设计了一个嵌入本文主要算法的GUI软件,该软件具备快捷的数据分类分析功能,为相关场景的算法应用提供了工具借鉴。
张志民[10]（2020）在《熵测度及压缩感知理论在睡眠质量评估中的研究与应用》文中进行了进一步梳理睡眠是一个复杂的生理过程,睡眠质量的高低直接影响人体的健康水平。随着对睡眠研究的逐渐深入,人们对睡眠的认知以及睡眠质量的评估方法也都取得了长足的发展,但是在睡眠的生理机制及与睡眠相关疾病的诊断和治疗方面仍存在大量需要改进或者不明确的问题存在。在此背景下,本文以睡眠质量研究为核心,针对睡眠分期、阻塞性睡眠呼吸暂停病人的脑功能异常以及睡眠心电信号研究三个问题开展工作。本文首先综述了熵测度方法及压缩感知的理论基础,并以此为技术手段针对以上三个问题展开研究:针对第一个问题,首先研究了基于熵测度和支持向量机的自动睡眠分期方法,并进一步提出了一种新的睡眠分期熵测度算法—张量近似熵,有效地提升了睡眠分期的准确率;针对第二个问题,提出了基于模糊熵和偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人的脑功能偏侧化现象;针对第三个问题,提出了基于压缩感知理论的睡眠心电信号采样压缩重构框架,为睡眠心电信号的大数据获取与传输提供了有效的解决方案。总结起来,本论文的主要工作包括以下几个方面:（1）详细综述了近年来应用于生理信号非线性分析的几种常用的熵测度方法,包括近似熵、样本熵、模糊熵以及模糊测度熵,介绍了在现有文献中以上几种熵测度方法在生理信号分析中的典型应用。同时给出了压缩感知理论实现的数学模型,并简要阐述了压缩感知目前在脑电信号及心电信号上的初步应用。（2）研究了一种基于熵测度算法及支持向量机的自动睡眠分期方法,分别提取脑电信号及眼电信号的样本熵、模糊熵以及模糊测度熵,并设计了基于一对多的支持向量机多分类方法,分别在独立样本测试与训练、非独立样本测试与训练两种模式下进行睡眠状态分类。实验结果表明,同等条件下该方法在睡眠分期的准确率和一致性上均具有一定的优势。（3）提出了一种新的睡眠分期熵测度算法—张量近似熵,通过将生理信号组织成张量的形式能够更加准确地模拟单一信号源的生理状态。实验结果表明张量近似熵在张量数据上表现出良好的一致性及辨识能力;在睡眠分期任务中,张量近似熵在不同的睡眠状态下具有显着的差异性,并且相对于传统的时间序列熵测度方法具有更高的睡眠分期准确率。（4）针对阻塞性睡眠呼吸暂停的脑功能异常研究,提出了基于模糊熵及偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人存在的大脑功能偏侧化现象;同时考虑到传统的偏侧化指数只能考虑单一脑活动评估指标的问题,本文对偏侧化指数进行改进并提出了一种新的增强偏侧化指数,在临床多导睡眠监测数据上验证了该指数在评估脑功能优势不对称问题上的可靠性。（5）研究了基于压缩感知理论的睡眠心电信号采样压缩及重构方法。系统探究了影响心电信号重构精度和重构效率的多个因素,并提出了心电信号二维化处理的压缩感知应用模型,考虑心电信号的准周期特性,通过将心电信号各个心拍进行切割重组生成二维图像,能够更大程度地表现心电信号的稀疏度。实验结果表明,在此模型下可以以更低的信号采样压缩率实现满足临床需求的心电信号重构精度。
二、用信号复杂度的变化表征癫痫症状（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用信号复杂度的变化表征癫痫症状（论文提纲范文）
（1）基于微波技术的急性紧张性痛觉脑活动信号的检测与识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词对照表 |
| 第一章 绪论 |
| §1.1 背景及意义 |
| §1.2 研究现状 |
| §1.2.1 痛觉脑神经活动研究现状 |
| §1.2.2 微波检测技术国内外研究现状 |
| §1.3 本文主要研究内容及主要思路 |
| §1.3.1 课题研究内容与研究思路 |
| §1.3.2 论文结构 |
| §1.3.3 课题研究主要创新点 |
| §1.4 本章小结 |
| 第二章 微波检测脑活动的基本理论 |
| §2.1 微波的特点 |
| §2.2 微波检测大脑神经活动的原理 |
| §2.2.1 电磁波传输与脑功能部位激活的关系 |
| §2.2.2 脑功能区异常活动的微波检测原理 |
| §2.3 基于脑组织的微波散射原理 |
| §2.3.1 麦克斯韦方程组 |
| §2.3.2 脑组织介电性能 |
| §2.3.3 微波传输理论 |
| §2.4 微波检测方法 |
| §2.4.1 常见的微波检测技术 |
| §2.4.2 神经接口 |
| §2.4.3 微波传输信号的采集 |
| §2.5 信号处理方法 |
| §2.5.1 特征处理 |
| §2.5.2 模式识别与评价 |
| §2.6 本章小结 |
| 第三章 微波对痛觉脑节律的影响及对痛觉的检测 |
| §3.1 引言 |
| §3.2 痛觉脑活动的微波辐射试验 |
| §3.2.1 微波辐射试验 |
| §3.2.2 数据采集及预处理 |
| §3.2.3 痛觉脑活动的微波检测试验 |
| §3.3 信号处理模型 |
| §3.3.1 痛觉EEG相对功率变化的计算 |
| §3.3.2 痛觉EEG源定位的成像方法 |
| §3.3.3 统计分析 |
| §3.4 试验结果 |
| §3.4.1 痛觉EEG相对功率变化结果 |
| §3.4.2 痛觉EEG的源成像结果 |
| §3.4.3 痛觉脑活动的微波检测结果 |
| §3.5 讨论 |
| §3.6 本章小结 |
| 第四章 熵特征表示的痛觉脑活动识别方法 |
| §4.1 引言 |
| §4.2 试验设计 |
| §4.2.1 试验设计方案 |
| §4.2.2 数据采集与预处理 |
| §4.3 特征处理及分类 |
| §4.3.1 特征提取方法 |
| §4.3.2 熵特征的提取 |
| §4.3.3 特征选择与降维 |
| §4.3.4 分类性能的评价 |
| §4.4 试验结果 |
| §4.4.1 熵特征提取结果 |
| §4.4.2 痛觉的分类评价 |
| §4.4.3 特征处理性能的对比 |
| §4.5 讨论 |
| §4.6 本章小结 |
| 第五章 多类型复合特征表示的痛觉脑活动识别方法 |
| §5.1 引言 |
| §5.2 试验设计 |
| §5.2.1 试验设计方案 |
| §5.2.2 数据采集 |
| §5.2.3 数据预处理 |
| §5.3 信号处理方法 |
| §5.3.1 多类型复合特征的计算 |
| §5.3.2 分类性能的评价 |
| §5.4 试验结果 |
| §5.4.1 平均相对能量变化提取结果 |
| §5.4.2 复合多尺度熵提取结果 |
| §5.4.3 基于Burg算法的AR系数提取结果 |
| §5.4.4 痛觉脑活动的分类结果 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第六章 深度特征表示的疼痛强度识别方法 |
| §6.1 引言 |
| §6.2 疼痛强度的试验设计 |
| §6.2.1 试验设计流程 |
| §6.2.2 数据获取与预处理 |
| §6.3 基于WPT-RF模型的疼痛强度识别方法 |
| §6.3.1 基于WPT的熵测量特征提取 |
| §6.3.2 RF分类器的设计、训练与分类 |
| §6.4 基于WPT-CNN模型的疼痛强度识别方法 |
| §6.4.1 CNN构架的设计 |
| §6.4.2 CNN模型训练 |
| §6.5 基于WPT-LSTM模型的疼痛强度识别方法 |
| §6.5.1 LSTM网络结构 |
| §6.5.2 LSTM模型训练 |
| §6.6 性能的评价 |
| §6.7 特征提取与分类结果 |
| §6.7.1 WPT-RF模型的分类结果 |
| §6.7.2 WPT-CNN模型的特征提取以及分类 |
| §6.7.3 WPT-LSTM模型的分类结果 |
| §6.8 讨论 |
| §6.9 本章小结 |
| 第七章 总结与展望 |
| §7.1 工作总结 |
| §7.2 未来展望 |
| 主要参考文献 |
| 致谢 |
| 攻读博士期间的主要研究成果 |
（2）面向癫痫预警任务的脑电信号分析算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 癫痫脑电信号 |
| 1.1.3 研究意义 |
| 1.2 癫痫脑电信号检测方法的研究现状与发展趋势 |
| 1.2.1 癫痫预警的国内外研究现状 |
| 1.2.2 存在的主要问题 |
| 1.3 本文研究内容和章节结构安排 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文的章节结构安排 |
| 第2章 癫痫脑电信号分析检测框架及数据来源 |
| 2.1 癫痫脑电信号分类算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 分类识别 |
| 2.2 癫痫脑电数据集 |
| 2.2.1 德国波恩大学癫痫脑电数据集 |
| 2.2.2 美国波士顿儿童医院癫痫脑电数据库 |
| 2.2.3 Kaggle癫痫预测竞赛数据集 |
| 2.3 算法性能的评价指标 |
| 2.3.1 癫痫检测算法的评价指标 |
| 2.3.2 癫痫预测算法的评价指标 |
| 2.4 本章小结 |
| 第3章 基于散射变换的癫痫脑电信号检测算法研究 |
| 3.1 引言 |
| 3.2 散射变换理论基础 |
| 3.2.1 小波变换 |
| 3.2.2 散射变换 |
| 3.3 基于散射变换的癫痫脑电信号检测算法 |
| 3.3.1 基于模糊熵和对数能量熵的脑电信号特征提取 |
| 3.3.2 极限学习机 |
| 3.4 实验结果与分析 |
| 3.4.1 实验结果 |
| 3.4.2 文献对比与分析讨论 |
| 3.5 本章小结 |
| 第4章 基于辛几何的癫痫脑电信号检测算法研究 |
| 4.1 引言 |
| 4.2 辛几何基础 |
| 4.2.1 奇异谱分析 |
| 4.2.2 辛几何的分解与重构 |
| 4.3 基于辛几何的癫痫脑电信号检测算法 |
| 4.3.1 基于辛几何算法的癫痫脑电信号特征提取 |
| 4.3.2 K近邻分类算法 |
| 4.4 实验结果与分析 |
| 4.4.1 波恩大学数据集实验结果 |
| 4.4.2 波士顿儿童医院数据库实验结果 |
| 4.4.3 文献对比与分析讨论 |
| 4.5 本章小结 |
| 第5章 基于同步提取线性调频小波变换的癫痫脑电信号预警算法研究 |
| 5.1 引言 |
| 5.2 同步提取线性调频变换 |
| 5.2.1 短时傅里叶变换 |
| 5.2.2 同步提取变换 |
| 5.2.3 同步提取线性调频小波变换 |
| 5.3 基于同步提取线性调频变换的癫痫脑电信号预警算法 |
| 5.3.1 基于同步提取线性调频小波变换的脑电信号特征提取 |
| 5.3.2 支持向量机 |
| 5.4 实验结果与分析 |
| 5.4.1 同步提取线性调频小波变换的性能仿真实验 |
| 5.4.2 波士顿儿童医院数据库实验结果 |
| 5.4.3 Kaggle癫痫预测竞赛数据集实验结果 |
| 5.4.4 文献对比与分析讨论 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（3）基于复数域分析的致痫区脑电信号识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 脑电信号和癫痫脑电信号 |
| 1.1.3 致痫区诊断的临床方法 |
| 1.1.4 本文的研究意义 |
| 1.2 致痫区脑电信号识别算法研究现状 |
| 1.3 存在的问题 |
| 1.4 论文的研究内容和组织结构 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的组织结构 |
| 第2章 致痫区脑电信号识别算法框架及数据来源 |
| 2.1 致痫区脑电信号识别算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 特征选择 |
| 2.1.4 分类识别 |
| 2.2 致痫区定位脑电数据集 |
| 2.3 脑电信号识别算法性能评价准则 |
| 2.4 本章小结 |
| 第3章 基于柔性解析小波变换的致痫区脑电识别算法 |
| 3.1 引言 |
| 3.2 小波变换和柔性解析小波变换 |
| 3.2.1 小波变换 |
| 3.2.2 柔性解析小波变换 |
| 3.3 基于柔性解析小波变换和熵特征的致痫区脑电识别算法 |
| 3.3.1 基于熵的脑电信号特征提取 |
| 3.3.2 基于Kruskal-Wallis检验的特征选择 |
| 3.3.3 基于支持向量机的分类识别 |
| 3.4 实验结果与分析 |
| 3.4.1 柔性解析小波变换的参数选择 |
| 3.4.2 复值分布熵的参数选择 |
| 3.4.3 本章脑电识别算法性能分析与讨论 |
| 3.5 本章小结 |
| 第4章 基于复值脑电节律特征的致痫区脑电识别算法 |
| 4.1 引言 |
| 4.2 双树复小波变换 |
| 4.3 希尔伯特变换 |
| 4.4 基于双树复小波-希尔伯特变换的致痫区脑电识别算法 |
| 4.4.1 混合特征提取 |
| 4.4.2 基于集成分类器的分类识别 |
| 4.5 实验结果与分析 |
| 4.5.1 双树复小波变换滤波器组选取 |
| 4.5.2 本章脑电识别算法性能分析与讨论 |
| 4.6 本章小结 |
| 第5章 基于幅-相融合矩阵和深度学习网络的致痫区脑电识别算法 |
| 5.1 引言 |
| 5.2 多尺度引导滤波融合 |
| 5.2.1 引导滤波融合 |
| 5.2.2 多尺度引导滤波融合 |
| 5.3 主成分分析网络 |
| 5.4 基于幅-相融合矩阵和主成分分析网络的致痫区脑电识别算法 |
| 5.4.1 构造折叠信号矩阵 |
| 5.4.2 基于支持向量机的分类识别 |
| 5.5 实验结果与分析 |
| 5.5.1 主成分分析网络的超参数选择 |
| 5.5.2 本章脑电识别算法性能分析与讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的研究总结 |
| 6.2 未来的研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（4）基于变分模式分解和深度森林的脑电信号识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文创新点 |
| 1.4 研究内容及论文框架 |
| 1.4.1 研究内容 |
| 1.4.2 论文框架 |
| 1.5 本章小结 |
| 第2章 基本理论 |
| 2.1 脑电信号分解方法 |
| 2.1.1 固有模态函数 |
| 2.1.2 变分模式分解 |
| 2.2 脑电信号分类算法 |
| 2.2.1 决策树 |
| 2.2.2 Bagging |
| 2.2.3 随机森林 |
| 2.2.4 支持向量机 |
| 2.2.5 深度森林 |
| 2.3 特征降维方法 |
| 2.3.1 基于RF的特征筛选 |
| 2.3.2 基于PCA的特征降维 |
| 2.4 分类评价指标 |
| 2.5 本章小结 |
| 第3章 基于变分模式分解的脑电信号研究 |
| 3.1 脑电信号 |
| 3.1.1 脑电信号概述 |
| 3.1.2 脑电信号的特性研究 |
| 3.1.3 脑电信号波形分析 |
| 3.2 数据来源 |
| 3.3 脑电信号的描述性统计分析 |
| 3.4 信号的变分模式分解 |
| 3.4.1 确定分解个数 |
| 3.4.2 脑电信号的变分模式分解 |
| 3.5 本章小结 |
| 第4章 脑电信号的特征提取 |
| 4.1 基于VMD的信号集中趋势特征提取方法 |
| 4.2 基于VMD的信号离散程度特征提取方法 |
| 4.3 基于VMD的信号分布情况特征提取方法 |
| 4.4 基于VMD的时域和频域特征提取方法 |
| 4.5 本章小结 |
| 第5章 脑电信号识别研究 |
| 5.1 脑电信号的重组 |
| 5.2 基于深度森林算法的未降维脑电信号分类 |
| 5.2.1 基于原始数据的脑电信号分类 |
| 5.2.2 基于VMD的脑电信号分类 |
| 5.3 基于深度森林算法的特征降维脑电信号分类 |
| 5.3.1 基于VMD和随机森林特征重要性筛选的脑电信号分类 |
| 5.3.2 基于VMD和主成分分析的脑电信号分类 |
| 5.4 方法比较 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（5）精细复合多尺度排列模糊熵在静息态fMRI信号中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 熵算法的发展研究 |
| 1.2.2 神经影像信号的熵分析 |
| 1.2.3 双相情感障碍复杂度的研究 |
| 1.3 论文主要研究内容 |
| 1.4 论文的安排 |
| 1.5 本章小结 |
| 第2章 精细复合多尺度排列模糊熵的提出 |
| 2.1 排列模糊熵算法 |
| 2.2 多尺度排列模糊熵算法 |
| 2.3 精细复合多尺度排列模糊熵算法 |
| 2.3.1 多尺度排列模糊熵的不足 |
| 2.3.2 精细复合多尺度排列模糊熵的提出 |
| 2.4 本章小结 |
| 第3章 精细复合多尺度排列模糊熵重测信度分析 |
| 3.1 重测信度 |
| 3.2 数据介绍 |
| 3.2.1 研究对象 |
| 3.2.2 数据采集 |
| 3.2.3 数据预处理 |
| 3.3 实验方案 |
| 3.3.1 多尺度熵重测信度的分析 |
| 3.3.2 参数设置 |
| 3.4 实验结果 |
| 3.4.1 基于体素的重测信度结果 |
| 3.4.2 基于脑区的重测信度结果 |
| 3.4.3 基于功能网络的重测信度结果 |
| 3.5 结果分析 |
| 3.5.1 尺度因子对多尺度熵重测信度的影响 |
| 3.5.2 重测信度在不同尺度上的差异 |
| 3.5.3 组间与组内重测信度的差异 |
| 3.5.4 结论 |
| 3.6 本章小结 |
| 第4章 精细复合多尺度排列模糊熵的应用 |
| 4.1 数据介绍 |
| 4.1.1 研究对象 |
| 4.1.2 数据采集 |
| 4.1.3 数据预处理 |
| 4.2 实验方案 |
| 4.2.1 差异脑区的提取 |
| 4.2.2 算法参数设置 |
| 4.2.3 效应量分析 |
| 4.3 实验结果 |
| 4.3.1 组间差异 |
| 4.3.2 差异脑区分析结果 |
| 4.3.3 熵值与量表的相关结果 |
| 4.3.4 熵值效应量分析结果 |
| 4.4 结果分析 |
| 4.4.1 MPFEN与 RCMPFEN的比较 |
| 4.4.2 复杂度的差异 |
| 4.4.3 熵值与量表相关性 |
| 4.4.4 效应量分析 |
| 4.4.5 结论 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 附录A |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（6）脑功能疾病中的脑电网络研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 脑电及其应用 |
| 1.3 脑网络研究现状 |
| 1.3.1 脑网络的构建 |
| 1.3.2 脑网络的应用现状 |
| 1.4 癫痫 |
| 1.4.1 癫痫概述 |
| 1.4.2 癫痫的研究现状 |
| 1.5 注意力缺陷多动症 |
| 1.5.1 ADHD概述 |
| 1.5.2 ADHD的研究现状 |
| 1.6 本文主要工作 |
| 1.7 论文结构安排 |
| 第二章 癫痫的脑网络机制研究 |
| 2.1 引言 |
| 2.2 研究数据 |
| 2.2.1 被试 |
| 2.2.2 EEG数据采集 |
| 2.2.3 数据处理 |
| 2.3 研究结果 |
| 2.3.1 PSD和FE |
| 2.3.2 网络拓扑和网络属性 |
| 2.3.3 相关性分析 |
| 2.4 讨论 |
| 2.5 本章小结 |
| 第三章 ADHD的脑网络机制研究 |
| 3.1 引言 |
| 3.2 研究数据 |
| 3.2.1 被试 |
| 3.2.2 实验设计 |
| 3.2.3 EEG数据采集 |
| 3.2.4 行为数据分析 |
| 3.2.5 EEG数据分析 |
| 3.3 研究结果 |
| 3.3.1 行为结果 |
| 3.3.2 ERP结果 |
| 3.3.3 源定位结果 |
| 3.3.4 功能网络结果 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第四章 全文总结与展望 |
| 4.1 全文总结 |
| 4.2 工作展望 |
| 致谢 |
| 附录 表格1 DSM-IV ADHD诊断标准 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）面向轻度抑郁识别的脑电和眼动数据表征融合方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.2.1 抑郁症与诊断 |
| 1.2.2 基于生物和心理信息的抑郁识别方法 |
| 1.2.3 轻度抑郁的识别 |
| 1.3 研究现状 |
| 1.3.1 基于脑电数据的抑郁识别研究现状 |
| 1.3.2 基于眼动数据的抑郁识别研究现状 |
| 1.3.3 基于多模态数据融合的抑郁识别研究现状 |
| 1.4 研究内容 |
| 1.5 论文组织 |
| 第二章 理论基础 |
| 2.1 脑电数据分析方法 |
| 2.1.1 脑电信号的获取 |
| 2.1.2 脑电信号的预处理 |
| 2.1.3 脑电数据的特征提取 |
| 2.1.4 脑功能网络分析方法 |
| 2.2 眼动数据分析方法 |
| 2.2.1 眼动数据的预处理 |
| 2.2.2 眼动数据的特征提取 |
| 2.3 数据挖掘相关算法 |
| 2.4 多模态数据融合方法 |
| 2.5 本章小结 |
| 第三章 基于眼动数据的轻度抑郁识别研究 |
| 3.1 实验设计与数据采集 |
| 3.1.1 基于情绪面孔图片自由浏览的脑电和眼动联合采集实验 |
| 3.1.2 基于情绪面孔图片自由浏览的眼动实验 |
| 3.2 基于内容的组合分类模型CBEM |
| 3.2.1 模型介绍 |
| 3.2.2 CBEM动态模型 |
| 3.2.3 CBEM静态模型 |
| 3.3 基于CBEM模型的轻度抑郁识别 |
| 3.3.1 CBEM模型在轻度抑郁识别中的应用 |
| 3.3.2 CBEM模型的验证 |
| 3.4 本章小结 |
| 第四章 基于脑电数据的轻度抑郁识别研究 |
| 4.1 脑电数据预处理及特征提取 |
| 4.1.1 脑电数据的预处理 |
| 4.1.2 脑电数据的传统特征提取 |
| 4.1.3 脑电数据的网络特征提取 |
| 4.2 基于传统脑电特征的轻度抑郁识别 |
| 4.3 基于脑功能网络的轻度抑郁识别 |
| 4.3.1 基于脑网络特征的统计分析 |
| 4.3.2 功能连接网络差异分析 |
| 4.3.3 基于脑网络特征的分类研究 |
| 4.4 本章小结 |
| 第五章 基于降噪自动编码器的融合模型 |
| 5.1 基于特征拼接的脑电和眼动数据融合 |
| 5.2 基于降噪自动编码器的融合模型构建 |
| 5.2.1 降噪自动编码器 |
| 5.2.2 融合模型构建 |
| 5.3 基于降噪自动编码器的双模融合轻度抑郁识别 |
| 5.3.1 显层融合 |
| 5.3.2 隐层融合 |
| 5.4 本章小结 |
| 第六章 基于互信息的融合模型MIBFM |
| 6.1 基于瞳孔信息的轻度抑郁识别 |
| 6.1.1 瞳孔信息与抑郁识别 |
| 6.1.2 瞳孔信息在轻度抑郁识别中的应用 |
| 6.2 MIBFM模型介绍 |
| 6.2.1 互信息相关概念 |
| 6.2.2 MIBFM模型构建 |
| 6.3 基于特征拼接的MIBFM |
| 6.4 基于降噪自动编码器的MIBFM |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文主要结论 |
| 7.2 未来研究展望 |
| 参考文献 |
| 附录A |
| 附录B |
| 在学期间研究成果 |
| 致谢 |
（8）面向抑郁识别的脑电导联空间及本征特征优化方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 人工智能和情感计算 |
| 1.1.2 抑郁识别和脑电 |
| 1.2 研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 文章结构安排 |
| 第二章 相关理论与数据基础 |
| 2.1 EEG导联空间优化 |
| 2.1.1 EEG导联加权 |
| 2.1.2 EEG导联选择 |
| 2.2 EEG本征特性挖掘 |
| 2.3 EEG数据处理 |
| 2.3.1 数据采集和预处理 |
| 2.3.2 特征提取 |
| 2.4 分类算法 |
| 2.5 本章小结 |
| 第三章 面向抑郁识别的EEG多导联加权方法研究 |
| 3.1 引言 |
| 3.2 交叉熵损失和焦点损失 |
| 3.3 损失最小化EEG多导联加权方法 |
| 3.3.1 改进型焦点损失 |
| 3.3.2 损失最小化导联加权 |
| 3.4 自适应EEG多导联加权方法 |
| 3.5 实验分析 |
| 3.5.1 实验设置 |
| 3.5.2 改进型焦点损失的性能比较 |
| 3.5.3 不同导联加权方法的性能比较 |
| 3.6 本章小结 |
| 第四章 面向抑郁识别的KTA多导联EEG导联选择方法研究 |
| 4.1 引言 |
| 4.2 理论基础 |
| 4.3 基于KTA的多导联EEG最优化导联选择方法 |
| 4.3.1 修改型KTA |
| 4.3.2 导联选择核函数 |
| 4.3.3 最优化导联选择策略和m KTACh Sel方法 |
| 4.4 实验分析 |
| 4.4.1 KTA和 mKTA性能比较 |
| 4.4.2 不同导联选择方法性能比较 |
| 4.5 本章小结 |
| 第五章 面向抑郁识别的改进型EMD本征特征提取方法研究 |
| 5.1 引言 |
| 5.2 传统EMD本征特征提取方法 |
| 5.3 改进型EMD本征特征提取方法 |
| 5.3.1 基于SVD改进型EMD本征特征提取方法 |
| 5.3.2 基于正则化参数改进型EMD本征特征提取方法 |
| 5.3.3 改进型EMD本征特征提取方法有效性分析 |
| 5.4 实验分析 |
| 5.4.1 正则化参数选择与比较 |
| 5.4.2 不同EEG特征提取方法的性能比较 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（9）基于熵理论与复杂网络分析法的时间序列分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.4 主要研究内容 |
| 1.5 本文安排 |
| 2 熵理论与复杂网络简介 |
| 2.1 非线性时间序列的熵理论 |
| 2.2 复杂网络基本理论 |
| 2.3 常见时间序列的伴生网络构建算法研究进展 |
| 2.3.1 可视图方法 |
| 2.3.2 邻近方法 |
| 2.3.3 概率转移方法 |
| 2.4 复杂网络基本数字特征 |
| 2.5 本章小结 |
| 3 基于熵理论的单一特征与多特征融合癫痫脑电分类研究 |
| 3.1 研究现状 |
| 3.2 数据集介绍 |
| 3.3 特征提取算法介绍 |
| 3.3.1 近似熵 |
| 3.3.2 样本熵 |
| 3.3.3 排列熵 |
| 3.3.4 模糊熵 |
| 3.3.5 Hurst指数 |
| 3.4 常用机器学习算法简介 |
| 3.4.1 K近邻算法 |
| 3.4.2 决策树 |
| 3.4.3 支持向量机 |
| 3.5 基于熵理论的单一特征与多特征融合癫痫脑电分类研究 |
| 3.5.1 基于近似熵的分类 |
| 3.5.2 基于样本熵的分类 |
| 3.5.3 基于排列熵的分类 |
| 3.5.4 基于模糊熵的分类 |
| 3.5.5 基于Hurst指数的分类 |
| 3.5.6 基于多特征融合设计的分类 |
| 3.6 实验结果分析 |
| 3.7 本章小结 |
| 4 基于复杂网络分析法的癫痫脑电分类研究 |
| 4.1 基于自然可视图的癫痫脑电分析 |
| 4.2 基于水平可视图的癫痫脑电分析 |
| 4.3 改进的分位图算法及其在癫痫脑电分析中的应用 |
| 4.4 基于改进分位图算法的癫痫脑电分类研究 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 5 基于光谱信号分位图网络分析法的牛肉质量检测研究 |
| 5.1 背景研究 |
| 5.2 基于分位图光谱信号分析的食品质量检测 |
| 5.2.1 分位图法算法原理及计算流程 |
| 5.2.2 数据对象、来源及具体分析结果 |
| 5.3 结论与展望 |
| 5.4 本章小结 |
| 6 基于分位图及其改进算法的非线性时间序列分类软件设计 |
| 6.1 软件需求分析 |
| 6.2 软件框架 |
| 6.3 算法流程 |
| 6.4 软件功能 |
| 6.4.1 用户界面 |
| 6.4.2 算法选择和算法演示模块 |
| 6.4.3 数据导入模块 |
| 6.4.4 功能选择模块 |
| 6.4.5 结果显示模块 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（10）熵测度及压缩感知理论在睡眠质量评估中的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 睡眠问题研究现状及面临的挑战 |
| 1.3 睡眠分期的研究进展 |
| 1.3.1 睡眠分期的定义 |
| 1.3.2 R&K睡眠分期标准 |
| 1.3.3 睡眠分期的分析方法 |
| 1.4 阻塞性睡眠呼吸暂停及脑功能偏侧化研究进展 |
| 1.4.1 阻塞性睡眠呼吸暂停 |
| 1.4.2 脑功能偏侧化及其在睡眠中的初步研究 |
| 1.5 基于心电信号的睡眠问题研究概述 |
| 1.6 本文主要工作及章节安排 |
| 1.6.1 本文的主要工作 |
| 1.6.2 章节安排 |
| 第二章 生理信号分析中的时间序列熵测度和压缩感知理论 |
| 2.1 时间序列熵测度 |
| 2.1.1 近似熵 |
| 2.1.2 样本熵 |
| 2.1.3 模糊熵 |
| 2.1.4 模糊测度熵 |
| 2.1.5 熵测度在生理信号分析中的应用 |
| 2.2 压缩感知 |
| 2.2.1 压缩感知理论的数学模型 |
| 2.2.2 压缩感知在生理信号分析中的应用 |
| 2.3 本章小结 |
| 第三章 基于时间序列熵测度的睡眠分期方法 |
| 3.1 理论及方法 |
| 3.1.1 熵值特征提取 |
| 3.1.2 一对多支持向量机 |
| 3.1.3 性能评估指标 |
| 3.1.4 方法流程 |
| 3.2 实验数据及预处理 |
| 3.3 实验结果 |
| 3.3.1 熵值特征 |
| 3.3.2 独立样本t检验 |
| 3.3.3 非独立样本训练与测试 |
| 3.3.4 独立样本训练与测试 |
| 3.4 讨论 |
| 3.4.1 与现有睡眠分期方法的对比 |
| 3.4.2 睡眠分期结果分析 |
| 3.5 本章小结 |
| 第四章 一种新的睡眠分期熵测度算法—张量近似熵 |
| 4.1 张量近似熵的提出 |
| 4.2 张量近似熵的定义 |
| 4.3 实验设计 |
| 4.3.1 由传统的时间序列构造普通张量 |
| 4.3.2 由多导睡眠数据构造睡眠张量 |
| 4.3.3 张量近似熵的一致性分析 |
| 4.3.4 张量近似熵的辨识能力分析 |
| 4.3.5 张量近似熵的统计检验 |
| 4.4 实验数据 |
| 4.5 实验结果 |
| 4.5.1 张量近似熵在普通张量上的一致性及辨识能力分析 |
| 4.5.2 张量近似熵在睡眠张量上的一致性及辨识能力分析 |
| 4.5.3 统计检验结果 |
| 4.5.4 张量近似熵在睡眠分期中的应用 |
| 4.6 讨论 |
| 4.6.1 张量近似熵在普通张量上的性能分析 |
| 4.6.2 张量近似熵在睡眠分期上的性能对比 |
| 4.7 本章小结 |
| 附录—张量近似熵的MATLAB代码 |
| 第五章 阻塞性睡眠呼吸暂停的脑功能偏侧化研究 |
| 5.1 理论与方法 |
| 5.1.1 模糊熵与偏侧化指数 |
| 5.1.2 增强偏侧化指数 |
| 5.2 实验数据 |
| 5.2.1 UCDDB公开睡眠数据 |
| 5.2.2 临床睡眠数据 |
| 5.3 实验结果 |
| 5.3.1 模糊熵特征提取 |
| 5.3.2 偏侧化指数LI分布 |
| 5.3.3 增强偏侧化指数ELI分布 |
| 5.3.4 统计检验 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 第六章 基于压缩感知理论的睡眠心电信号采样压缩及重构 |
| 6.1 一维睡眠心电信号的压缩感知应用 |
| 6.1.1 模型框架 |
| 6.1.2 评价指标 |
| 6.1.3 数据及仿真流程 |
| 6.1.4 实验结果 |
| 6.2 二维心电信号的压缩感知应用 |
| 6.2.1 模型框架 |
| 6.2.2 实验结果 |
| 6.3 讨论 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及参与的科研项目 |
| 发表的学术论文 |
| 申请专利 |
| 主持的科研项目 |
| 参与的科研项目 |
| 学位论文评阅及答辩情况表 |
四、用信号复杂度的变化表征癫痫症状（论文参考文献）
- [1]基于微波技术的急性紧张性痛觉脑活动信号的检测与识别方法研究[D]. 耿道双. 桂林电子科技大学, 2021
- [2]面向癫痫预警任务的脑电信号分析算法研究[D]. 蒋鋆. 吉林大学, 2021(01)
- [3]基于复数域分析的致痫区脑电信号识别算法研究[D]. 尤洋. 吉林大学, 2021(01)
- [4]基于变分模式分解和深度森林的脑电信号识别[D]. 冯阳洋. 长春工业大学, 2021(08)
- [5]精细复合多尺度排列模糊熵在静息态fMRI信号中的应用[D]. 谭媛. 太原理工大学, 2021(01)
- [6]脑功能疾病中的脑电网络研究[D]. 陈春丽. 电子科技大学, 2021(01)
- [7]面向轻度抑郁识别的脑电和眼动数据表征融合方法研究[D]. 祝婧. 兰州大学, 2021(09)
- [8]面向抑郁识别的脑电导联空间及本征特征优化方法研究[D]. 沈健. 兰州大学, 2021(09)
- [9]基于熵理论与复杂网络分析法的时间序列分类研究[D]. 许恢斌. 武汉纺织大学, 2021(08)
- [10]熵测度及压缩感知理论在睡眠质量评估中的研究与应用[D]. 张志民. 山东大学, 2020(01)