首页 > 文献资料
-
用近似熵方法监测脑电信号分析麻醉深度
根据基本物理思想可以认为，麻醉期间脑电信号的无序度将会降低，可以作为评估镇静程度的指标。近似熵作为一种有效的复杂性分析方法，适合作为麻醉中脑电信号的复杂性测度，研究中分析了麻醉实验中记录的40例脑电信号，计算了其近似熵测度的分布。结果表明，脑电信号近似熵可以对麻醉和清醒两种状态进行划分。
-
麻醉深度监测方法进展的研究
监测麻醉的深度是临床麻醉科医生日常工作遇到的重要问题.近似熵、听觉诱发电位及脑电双频指数是当前常用的临床麻醉深度监测方法.作者根据日常工作的经验并参考相关文献对麻醉深度监测方法加以总结.
-
基于近似熵及关联维度对浅针疗法干预失眠患者脑电数据的提取及分析
目的:使用非线性动力学手段评估浅针疗法对失眠患者脑电信号的影响.方法:对6名原发性失眠患者进行山根穴浅针干预15 min.获取浅针干预前和浅针干预时的脑电信号,将各脑区的脑电信号转换成关联维度(D 2)和近似熵(ApEn),利用SPSS 22.0统计软件对各个脑区的脑电信号特征进行聚类分析和因子分析.结果:浅针干预前较干预时Fp 2、O 1、F 8脑区的脑电信号ApEn存在显著性差异(P<0.05),而D2则在Fp2、F7、F8脑区存在显著性差异(P<0.05).通过聚类分析及因子分析发现Fp2、F8、O1、O2脑区的ApEn下降趋势较为突出,而Fp 2、F 4、F 8脑区D 2的变化较为突出.结论:通过采用多元统计方式对脑电非线性数据的二次分析能有效提取浅针治疗失眠患者额颞枕区脑电信号,并初步发现其潜在的正向作用.
-
两种佛家静功脑电近似熵及复杂度的比较
目的:比较习练不同佛家静功时的的脑电差异.方法:选取持咒组与念佛组各12例,脑电采集分为练功前、练功中、练功后3个阶段,运用近似熵及复杂度2种方法分析其脑电特征,采用t检验比较比较组间差异.结果:练功过程中念佛组Fp1-A1、Fz-A1、Fp2-A2、F7-A1、F3-A1、FCz-A1、F4-A2、T3-A1、C1-A1、FCz-A2、CPz-A2、C2-A2、C4-A2、T4-A2、Pz-A1、P4-A2、T6-A2导联的近似熵显著大于持咒组(P＜0.05),念佛组Fp1-A1、Fz-A1、Fp2-A2、F7-A1、F3-A1、FCz-A1、F4-A2、T3-A1、C1-A1、FCz-A2、C2-A2、C4-A2、T4-A2、T5-A1、P4-A2、T6-A2导联的复杂度显著大于持咒组(P＜0.05),结论:念佛状态的脑电近似熵及复杂度显著大于持咒状态.
-
早老性痴呆的脑电复杂度与近似熵特征分析
利用两种复杂性测度的算法(复杂度与近似熵)对早老性痴呆(AD)病人和正常人的脑电进行分析,并绘制脑电信息图(BIM).通过对比表明AD患者头皮绝大多数导联处EEG信号的复杂性测度值均显著低于同龄正常人,平均有20%～40%的降幅,而且信息图灰度值都小于正常人.研究结果提示EEG的复杂性测度与大脑功能状况有一定联系,在一定程度上可以反映大脑功能状态的变化.
-
近似熵应用于老年性痴呆患者脑电研究
运用非线性动力学分析方法对老年痴呆(AD)患者与同年龄正常人的脑电(EEG)近似熵进行分析.初步表明AD患者头皮各个导联处近似熵均显著低于正常人值.下降的相对幅值达10%～20%左右.研究结果提示:可考虑试用近似熵作为AD临床诊断的特异性指标,值得进一步深入研究.
-
基于低频电刺激诱发表面肌电信号的肌肉疲劳度研究
目的 通过对肌肉疲劳过程中非诱发表面肌电(surface electromyography,sEMG)信号和诱发表面肌电信号的研究分析,寻找有效评价肌肉疲劳的分析测量方法.方法 对7名受试者进行自主运动和电刺激两种致肌疲劳的实验,并在两组实验中分别记录电刺激诱发与非诱发肌电信号,然后对每组信号进行傅里叶变换求取功率谱和近似熵.结果 随着疲劳的产生,两组实验诱发信号的频谱曲线左移效果优于非诱发信号,近似熵分析中电刺激组诱发信号出现先上升后下降的变化,自主运动组诱发信号则呈现单调递减的趋势.结论 低频电刺激诱发表面肌电信号更适于测量肌疲劳的动态变化.相对于传统功率谱,近似熵分析方法更适于处理电刺激诱发的表面肌电信号.
-
一种基于近似熵特征分类的冠心病诊断方法
对104例冠心病人心电Holter信号进行心率变异性的分析,计算RR间期序列的近似熵指标的24h分段变化趋势图,并于健康对照组作比较,验证了近似熵这个心率变异性非线性参数的意义.通过LDA(线性鉴别分析)的模式识别方法对病人及健康人的24h变化趋势图进行模式识别和分类,平均正确分类率达99.03%.分类的结果表明,冠心病患者与健康人相比在白天,尤其在早上6点到中午12点间,近似熵指标的降低更明显,利用此时间段作分类正确率更高.
-
生理信号时间序列周期性和平稳性对近似熵和样本熵算法的影响分析
目的提高近似熵和样本熵算法在评价生理信号时间序列非线性复杂度应用中的精度.方法 首先生成生理信号时间序列数据库,通过对周期序列和叠加有周期成分的非线性序列的分析,研究序列周期性对熵测度算法的影响,并通过对心率变异性(heart rate variability,HRV)序列在去除非平稳趋势前后的对比分析,研究序列平稳性对熵测度算法的影响.结果 在序列长度范围内,不同重复频率的周期序列熵测度不同,不同比重的周期成分叠加到非线性序列中引起序列熵测度的变化也不同.生理信号时间序列中大都存在非平稳成分,而非平稳成分会降低序列的复杂度,因此进行熵测度计算前首先要去除非平稳成分.结论 周期性和非平稳成分显著影响生理信号时间序列的熵测度算法.
-
新生儿睡眠期的脑电非线性分析方法
目的 脑电(electroencephalogram,EEG)是新生儿脑功能监护中重要的生理信号,近年研究发现基于非线性动力学的复杂度分析能够客观反映大脑成熟度、睡眠周期和惊厥状态等.方法 本文针对神经系统发育正常的早产新生儿组和足月新生儿组,采用近似熵(approximate entropy,ApEn)和样本熵(sample entropy,SampEn)两种非线性参数,对新生儿在安静睡眠期(quiet sleep,QS)和活动睡眠期(active sleep,AS)的脑电信号进行分析.结果 神经系统发育正常的新生儿中,AS期的ApEn和SampEn均高于QS期,且具有显著性差异;随着受孕后年龄(postmenstrual age,PMA)的增大,新生儿QS期的ApEn和SampEn的值均随之增加,且波动逐渐减弱,而AS期的ApEn和SampEn的值并无显著变化;绝大多数新生儿在AS期与QS期的SampEn之差高于ApEn之差.结论 AS期新生儿EEG的复杂度大于QS期的复杂度;随着PMA的增大,新生儿EEG的复杂度提高,脑功能发育趋于成熟;ApEn与SampEn在表现新生儿脑电信号复杂度上趋势一致,但SampEn在区分AS与QS方面更具优势.
-
振动刺激对肌肉疲劳进程的影响
振动刺激在力量训练中的作用引起了越来越多的关注.本文通过比较振动和非振动力量训练过程中表面肌电(sEMG)信号近似熵的变化规律,得出振动力量训练时机体更不容易疲劳的结论,为利用振动刺激恢复和提高肌肉力量提供了进一步的理论和实践依据.文章还从神经肌肉系统的角度阐述了肌肉疲劳及近似熵随疲劳而变的内在物理意义.
-
睡眠脑电信号的非线性动力学分析
睡眠与健康、工作、学习等之间的关系甚为密切.由于脑电(EEG)是描述睡眠过程中显著和直观的信号,所以睡眠脑电是研究睡眠的重要且有用的工具.其中睡眠分期研究对评估睡眠质量重要.由于脑电活动自身的复杂性,因此采用非线性方法处理会有比较好的结果.本文简单介绍了睡眠与脑电的关系,重点介绍了几种非线性动力学方法,包括李亚普诺指数、复杂度、相关维数、近似熵等,并介绍了它们对睡眠脑电信号进行特征处理的情况,发现在不同的睡眠期,计算出的结果呈现一定的变化规律.
-
多尺度熵在心率变异信号复杂性分析中的应用
介绍了在样本熵基础上提出的多尺度熵的概念、性质与应用,给出了一种计算多尺度熵的算法,并且通过实际算例说明了多尺度熵在表征信号复杂性方面的能力及其在心率变异信号研究中的初步应用.
-
起病24 h以内缺血性脑卒中患者病灶位置脑电近似熵与NIHSS评分的相关性研究
目的 探讨起病24 h以内缺血性脑卒中患者病灶位置脑电近似熵(ApEn)与美国国立卫生研究院卒中量表(NIHSS)评分的相关性.方法 收集2014年12月至2016年3月本院收治的缺血性脑卒中患者37例,均于起病24 h以内行NIHSS评分,按国际10-20系统放置头皮电极行脑电图检查并计算各导联ApEn.依据磁共振成像(MRI)检查提示病灶位置的对应电极将患者分组,分析各组ApEn与NIHSS评分的相关性.结果 37例患者根据MRI提示病灶位置的对应电极分为G1~G6组,病灶位置分别为左前额区、左额中区、左中颞区、左顶区、右顶区、左枕外侧面.Spearman相关分析显示,位于前循环供血范围的病灶(G1~G5组)ApEn与NIHSS评分呈负相关(rs=-0.252、-0.038、-0.270、-0.387、-0.300,均P<0.05),位于后循环供血范围的病灶(G6组)ApEn与NIHSS评分无相关性(P>0.05).结论 发生于前循环供血范围的缺血性脑卒中患者其病灶位置ApEn可作为病情评估的指标.
关键词： 卒中 脑电描记术 近似熵 国立卫生研究院卒中量表 -
基于表面肌电信号的手腕动作模式识别
基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础.为提高动作模式识别率,从肌电信号的产生机理出发,选取分别表征肌电信号形态特征——细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量；同时提出一种具有增量学习能力的K近邻(KNN)模型增量学习算法作为模式识别的分类器.在对10位受试者手腕的4个精细动作(腕伸、腕屈、腕内旋、腕外旋)的识别实验中,取得了92.5％以上的正确识别率.同时对增量学习能力对分类器动作模式识别率的影响做对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5％.实验表明,该肌电信号动作模式的识别方法方案合理,具有应用价值.
关键词： 肌电信号 肌电假肢 KNN模型增量学习算法 近似熵 分维数 -
基于复杂度熵特征融合的高压力人群情感状态评估
长期处于压力状态容易引发各类疾病,合理有效的情感压力状态评估是进行压力情感干预的基础.脑电数据含有丰富的情感信息,针对脑电数据的压力情感特征提取问题,提出一种基于Kc复杂度、小波熵与近似熵相结合的脑电数据的压力情感特征提取方法,以Kc复杂度因子来量化脑电数据的随机程度,以小波熵和近似熵参数分别在时域和频域来量化脑电数据的复杂程度与能量分布；采用遗传算法进行全局寻优,按适者生存的原则进行支持向量机参数的选择、交叉、变异,以此优化的支持向量机融合3类不同层次的特征参数,实现压力情感状态评估.以“切水果”游戏作为压力源,采集8名被试共92组脑电信号,基于该算法来分析被试者的压力状态,高识别率为94.12％,平均识别率82.06％.研究表明,不同脑区对压力敏感程度不同,左半球相对右半球来说,压力感受敏感.希望通过此工作,可以帮助人们有针对性地采取相应措施缓解压力,恢复身心健康.
-
基于无线体域网和复合生理信号近似熵的驾驶疲劳研究
为有效合理地评价驾驶员在驾驶过程中的疲劳程度,通过无线体域网(WBAN)采集12名被试者的3种生理信号(脑电信号、肌电信号、呼吸信号),提取并分析这些生理信号的近似熵在驾驶过程中对疲劳程度的反映效果.试验结果表明,脑电、肌电、呼吸3种信号的近似熵均随时间的增加而逐渐下降,约90 min后下降程度变缓,表明进入比较疲劳状态.通过主成分分析可知,前两个主成分的贡献率分别为47.33％和40.26％,二者之和大于85％,其中脑电信号和肌电信号的近似熵所占权重较大.而且统计分析表明,脑电信号和肌电信号的近似熵显著性P＜ 0.05,表明脑电信号和肌电信号在表征正常与疲劳两种状态时差异明显.在此基础上,分析信号组合对驾驶疲劳的反映效果,结果表明在脑电-肌电信号的近似熵组合时,正常和疲劳状态的概率分布具有明显的界限,可以有效反映驾驶过程中的疲劳状态.通过研究,获得佳的反映疲劳驾驶的信号组合,可为更加准确地检测和避免疲劳驾驶提供理论依据.
-
基于多分辨率分析的短时高频心电图近似熵估计
对原始的短时高频心电图(SHFECG)作近似熵计算难以得到稳定、可信的估计值.本研究从小波变换的多分辨率分析出发,对SHFECG信号先作分解,再作近似熵估计,发现含有较高频率成份的心电图细节信号,其近似熵值稳定可靠.并且,对心脏病患者、不同年龄的健康人的SHFECG分析发现不同频率层次的细节信号有着不同的近似熵值分布,显示出该分析方法在心脏疾病的早期诊断中潜在的应用价值.
-
近似熵在缺氧性脑损伤检测中的应用研究
目的:对小猪脑缺氧窒息而引起的中枢神经系统损伤实验数据进行分析及对损伤程度进行定量评估.方法:采用基于近似熵的方法,定量计算实验EEG信号的复杂度,并定义相关的测度.结果:对三类实验样本进行了检测,检测结果与96h后得到的神经缺欠值(NDS)的相关性接近90%.结论:基于近似熵的方法对于脑缺氧窒息而引起的中枢神经系统损伤及对损伤程度进行评估,具有直观和可定量的优点.可能成为一个新的评价缺氧脑损伤的临床参量.
-
不同麻醉深度下大鼠脑电复杂度和功率谱的变化过程
本研究计算和分析了大鼠在逐渐加深的Urethane麻醉过程中脑电信号的算法复杂度、近似熵、功率值和功率谱重心频率的变化特征.结果表明:随着麻醉程度的加深,皮层脑电中同步波的两种复杂度值逐渐减小,同步波高频段功率也逐渐减少,使得功率谱重心频率向低频方向迁移;去同步波则在深度麻醉状态下不再出现,说明中脑网状结构的激励已消失.另外,脑电信号的算法复杂度和近似熵的计算结果有很好的一致性.
