基于信息流的中枢疲劳脑电分析

为充分利用多导脑电信息,首次提出运用有向传递函数（DTF）方法,对不同中枢疲劳状态下导联间信息流的强度和方向的变化进行分析。研究结果表明,脑电功能耦合中额一到一顶方向的信息流是大脑皮层联系的一个固有特征,可以有效地刻画安静清醒和疲劳两个状态,长时间脑力劳动任务引起中枢疲劳的增加,进而导致整个频率段占优势的信息流的方向发生了反转,信息流占优势的方向从实验前的顶一到一额方向,转变为实验后的额一到一顶方向。     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析；利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节；增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高；前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。