目的:探索对丙泊酚药物浓度和意识状态改变敏感的脑功能特征。方法:选择拟行胸腹部手术治疗的男性患者6例，对所有患者使用靶控输注设备进行丙泊酚输注，初始药物浓度设置为1.0 mg/L，然后每6 min增加0.2 mg/L，直到患者达到无意识状态。同时，采集患者的脑电信号。将采集的脑电信号进行预处理并提取脑功能特征。构建药物浓度相同、意识状态不同和意识状态相同、药物浓度相同两个数据集，并使用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM）3种机器学习算法模型在不同的数据集上进行分类分析。结果:特征筛选结果显示功率谱-δ-顶区、排列熵（permutation entropy, PE）-δ-颞区和相位滞后指数（phase lag index, PLI）-α-顶区到顶区为对意识状态改变敏感的特征，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的意识状态分类正确率分别为（82±5）%、（83±5）%和（84±4）%；功率谱-β-额区、功率谱-β-颞区和功率谱-β-顶区对药物浓度改变敏感，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的药物浓度分类正确率分别为（77±4）%、（76±4）%和（80±4）%。功率谱-δ-顶区在药物浓度变化时没有明显变化（ P>0.05），而在意识状态从有意识到无意识明显升高（ P<0.001）；PE-δ-颞区和功率谱-β-额区在从低药物浓度到高药物浓度和从有意识到无意识时均明显降低（ P<0.001）；PLI-α-顶区到顶区在低药物浓度状态下明显高于其在高药物浓度状态下（ P<0.001），但是其在意识状态变化时并没有明显变化（ P>0.05）；功率谱-β-颞区和功率谱-β-顶区在意识状态变化时均没有出现明显变化（ P>0.05），但是功率谱-β-颞区从低药物浓度到高药物浓度时明显升高（ P<0.001），而功率谱-β-顶区从低药物浓度到高药物浓度时明显降低（ P<0.05）。 结论:功率谱-δ-顶区可以很好地表征意识水平的变化同时避免药物浓度的影响，在精确监测麻醉深度上具有潜力。

人体运动中脑电(EEG)信号和肌电(EMG)信号间的同步特征能够反映皮层肌肉间功能耦合(FCMC)的关系.本文将Gabor小波和传递熵(TE)结合,提出一种新的方法(Gabor-TE)用以定量分析不同恒定握力下EEG-EMG信号间的非线性同步耦合特征及方向特性.本研究首先选取9名健康受试者在4种不同恒定握力下的EEG、EMG信号,并以Gabor小波变换进行局部分解;然后计算频带TE值并定义单位传递面积指标(ATE),分析恒定握力下EEG-EMG信号的局部频段同步特征及方向特性;最后探究EEG信号和EMG信号功率谱对Gabor-TE方法分析结果的影响.本文研究结果表明:恒定握力下,β频段EEG→EMG方向TE值高于EMG→EEG方向,且随握力水平增加EEG→EMG方向上β频段ATE值降低;γ频段TE值在EMG→EEG和EEG→EMG方向上的差异随握力增加而呈现出一定的变化规律;EMG功率谱与特征频段TE结果强相关.本文试验结果表明,Gabor-TE方法能定性、定量描述EEG-EMG信号在局部频带和信息传递上的非线性同步耦合特征,今后或可为研究运动控制及患者康复评价提供一定的理论依据.

本研究旨在客观比较颈部肌肉疲劳评价算法的差异性,找出更加有效的颈部肌肉疲劳评价算法,为伏案姿势下颈部肌肉疲劳提供人因工程定量评价方法.本文利用无线生理仪采集了15名受试者使用记忆枕伏案12 min的颈部胸锁乳突肌的表面肌电信号,使用平均功率频率、谱矩比、离散小波变换、模糊近似熵以及复杂度5个算法计算出相应的肌肉疲劳指标;并使用最小二乘法对肌肉疲劳指标进行线性回归得出确定系数R2与斜率k;确定系数R2可评价各种算法的抗干扰性;对斜率k进行柯尔莫哥洛夫—斯米洛夫检验得到最大垂直距离Lmax,Lmax可评价各种算法对疲劳程度的区分能力.统计结果表明,在抗干扰方面,模糊近似熵在不同高度的记忆枕下都具有最大的R2,且模糊近似熵与平均功率频率、离散小波变换的差异具有统计学意义(P＜0.05);在区分疲劳程度方面,模糊近似熵仍具有最大的Lmax,最大值达0.496 7.本文研究结果表明,模糊近似熵无论是在抗干扰性还是疲劳程度的区分能力上都优于其他算法,因此在进行颈部肌肉疲劳评价时,我们建议可将模糊近似熵作为一个较好的评价指标.

动态心电信号易受环境和行为等因素的干扰,其质量难以保证.本文在对现有心电质量评估技术进行深入研究的基础上,提出了基于多指标融合的动态心电质量评估方法.该方法主要由指标提取、融合与综合评估三部分组成.指标分为外层指标与内层指标,前者依据电极片脱落检测指标,将信号分为可用与不可用;后者依据时域、频域分析的结果,分别提出基于小波变换的基线漂移程度指标、基于上下包络差的幅值变化程度指标以及基于功率谱估计的频率成分指标.对于融合部分,内层指标融合采用信息熵加权的加法合成法,内层与外层之间融合采用乘法合成法.综合评估采用区间估计的方法得到阈值,进一步划分信号质量的好与坏.通过比较两种方法,结果表明区间估计法(准确度:96.24％;灵敏度:97.83％)明显优于经验阈值法(准确度:92.39％;灵敏度:95.16％).本文提出的评估方法是可行的,为动态心电信号提供了一种更加精确的质量评估方法.

本研究采用脑电信号的整体子波熵和分尺度子波熵研究脑电信号的信息复杂性,探索儿童失神癫痫(CAE)发作的动力学机制.研究采集儿童失神癫痫患者及正常对照的脑电信号;采用连续子波变换提取脑电信号的时频特征;采用子波功率谱分析提取分尺度功率谱特征;根据分尺度功率谱计算整体子波熵和分尺度子波熵,分析整体子波熵和分尺度子波熵随 CAE 发作的时间演变过程,并与正常对照进行比较.结果显示:CAE患者发作期脑电信号的整体子波熵显著低于正常对照组,也低于发作间期.CAE 发作时第 12 尺度(对应中心频率3 Hz)的分尺度子波熵显著高于正常对照,α 频带(中心频率 10 Hz)脑电节律的子波熵明显低于正常对照.脑电信号整体子波熵可以反映脑电信号的复杂程度,CAE 发作时脑电信号的信息复杂度明显降低.子波熵降低有可能成为癫痫发作的特征神经电生理参数,为癫痫发作的神经调控技术的研究提供依据.

本文提出了一种基于功率谱信息熵和GK模糊聚类相结合的方法,应用于生物组织变性识别判定中.利用高强度聚焦超声辐照离体新鲜猪肉来改变其特性,并用热电偶测量声焦区温度,同时采集了不同温度时的超声回波信号.通过对采集的信号进行截取,研究了分段数对功率谱信息熵辨识性能的影响.研究发现当分段数为26至32时,功率谱信息熵的准确度、灵敏度和特异度均有较高的值.本研究计算了分段数为30时的功率谱信息熵,此时的变性组织对应的功率谱信息熵比未变性组织对应的功率谱信息熵平均高出约0.094,大约为7.99％.采用功率谱信息熵作为特征参数时,GK模糊聚类效果优于模糊C均值聚类;采用GK模糊聚类方式,功率谱信息熵比小波熵具有更高的辨识率.

目的:开发一款便携式子宫肌电宫缩监测系统,通过记录子宫肌电(EHG)信号、压力分娩计(TOCO)采集的信号和孕妇感知的打标信号监测孕妇宫缩情况.方法:系统主要由电极和压力传感器、信号采集模块构成,基于微控制器单元(MCU)的下位机固件开发以及上位机采集界面的设计,选择八导联方式获取孕妇腹部表面的EHG信号,使用TOCO记录孕妇腹部的形变程度,同时设计打标按键,当孕妇感知有宫缩时用于手动记录.将采集到的信号在单片机部分进行整合和发送,当缓存数据包满后,以蓝牙的方式发送数据,上位机的应用软件完成数据接收、显示和存储.使用开发的子宫肌电宫缩监测系统采集20名健康孕妇的临床数据,对其功率谱(PSD)、均方根(RMS)、峰值频率(PF)、中值频率(MDF)和样本熵(SamEn)进行特征值分析.结果:EHG记录系统可以实时记录孕妇EHG信号,且记录的TOCO和EHG信号具有良好的一致性,对于足月有宫缩的孕妇均能监测到宫缩情况,而宫缩与非宫缩的PSD、RMS、PF及SamEn结果存在显著性差异.结论:子宫肌电宫缩监测系统可有效实时记录EHG信号,为实现长时间监测孕妇宫缩和预测早产提供便利.

孤独症谱系障碍(ASD)是一种复杂的大脑神经发育障碍,其核心特征是社交障碍和刻板行为.针对孤独症儿童的脑发育异常,将新兴脑调控技术——经颅直流电刺激(tDCS)应用于孤独症儿童脑调控.共招募24名孤独症儿童参加试验,其中12名孤独症儿童接受每周2次共计10次脑调控干预,另外12名孤独症儿童接受每周2次共计10次的伪刺激,作为对照组.利用功率谱和多尺度熵算法,评估脑电的功率谱和复杂度变化.结果 表明,经过调控干预后,实验组儿童干预前后4～8 Hz theta频段在全脑均有显著下降(P＜0.05),其中,额叶从(1.13±0.07)dB/Hz下降到(0.96±0.06)dB/Hz,左颞叶从(1.18±0.05) dB/Hz下降到(1.03±0.07) dB/Hz,中央区从(1.43±0.06)dB/Hz下降到(1.16±0.03) dB/Hz,右颞叶从(1.14±.0.09) dB/Hz下降到(0.96±0.04) dB/Hz,枕叶从(1.39±0.06)dB/Hz下降到(1.09±0.03)dB/Hz;通过计算15个尺度的熵值发现,顶叶(P3,Pz,C3,C4)、枕叶(O1)以及左侧背外侧前额叶(F3)均有显著增加.研究表明,颅直流电刺激能够以无损安全的方式实现对孤独症儿童的神经调控,改善异常脑功能,因此在孤独症的康复中有很大的应用潜力.

研究精神分裂症患者(SC)和抑郁症患者(DP)的静息态脑电功率谱熵,深入比较该指标在两种疾病人群中的表现,探究这一指标对两种疾病大脑异常情况的反映.选择性别、年龄相匹配的精神分裂症、抑郁症患者各100例(男:50,女:50),采集睁眼、闭眼两种状态下的静息态脑电数据;对脑电信号进行信号预处理,并通过独立成分分析实现伪迹校正;基于Welch变换进行功率谱分析,归一化后利用相对功率计算脑电的功率谱熵;采用t检验、方差分析等统计手段,对该指标做统计分析.结果 表明,在任意相同状态下,精神分裂症组的组平均功率谱熵在每一导联上都低于抑郁症患者组(导联平均功率谱熵:闭眼状态下,SC:1.26;DP:1.32;睁眼状态下,SC:1.33;DP:1.37),且在多数导联上差异显著(P＜0.05);对于两组被试,其闭眼状态下的功率谱熵均分别低于睁眼状态下的功率谱熵;对于功率谱熵从睁眼状态至闭眼状态的减少量,两组被试在Fp1、Fp2导联存在显著差异(P＜0.05) (Fp1:SC为0.08,DP为0.02;Fp2:SC为0.09,DP为0.02);在睁眼状态下,精神分裂症与抑郁症患者大脑左右半球功率谱熵的不对称性存在差异,精神分裂症组表现出更广的不对称性(呈显著不对称性的电极对:SC有4对,包括F3-F4、O1-O2、F7-F8、T5-T6;DP有2对,包括P3-P4、F7-F8);闭眼状态下二者的不对称性均只显著体现在F7-F8、T5-T6导联(P＜0.05).功率谱熵这一指标能够敏感直观地描述功率谱的分布情况与不规则程度,进而反映脑电信号的复杂程度以及个体大脑活跃程度.该指标能够作为一项有效参考,反映两种疾病人群在静息态下大脑活动的差异,并有望用于区分精神分裂症与抑郁症.

精神分裂症和抑郁症患者的临床表现不仅有一定的相似性,而且会随着患者情绪的变化而变化,因此容易导致临床诊断出现误诊.脑电图(EEG)分析为准确区分和诊断精神分裂症与抑郁症患者提供了重要的参考和客观依据.为了解决精神分裂症与抑郁症患者之间误诊的问题,提高区分和诊断这两类疾病的准确率,本研究提取了100名抑郁症患者和100名精神分裂症患者的静息态EEG信号特征,包括:①信息熵、样本熵、近似熵;②统计学属性;③各节律相对功率谱密度(rPSD).然后,利用这些特征组成特征向量,结合支持向量机(SVM)和朴素贝叶斯(NB)分类器对精神分裂症和抑郁症患者进行分类研究.实验结果表明:①以各节律的rPSD组成的特征向量P的分类效果最好,平均准确率可达84.2％,最高达86.3％;②SVM的分类效果明显优于NB;③β节律的可分性最好,准确率最高,可达76％;④特征权重较大的电极主要集中在额叶和顶叶.本研究结果表明,SVM结合各节律rPSD组成的特征向量P组成的分类模型,对精神分裂症和抑郁症患者的区分具有较好的效果,或可对相关的临床诊断起到一定的辅助作用.