脑电图（electroencephalogram, EEG）是一种无创脑部活动测量技术，能够一定程度反映脑的功能状态，目前已被广泛应用于临床麻醉深度监测。由于脑电量化指标在麻醉监测中存在缺陷，原始EEG的研究已重新成为热点。近年来，基于EEG的临床麻醉监测研究进展迅速，寻找更准确、更全面、更方便快捷的脑电活动评价方法是人们努力的方向。文章通过介绍脑电图谱分析（频谱分析、时频分析）、功能连接分析以及人工智能（机器学习等）分析方法的原理与特点，探究麻醉过程中的大脑状态变化，并强调脑电分析技术对临床麻醉监测的意义，对脑电分析技术及其在临床麻醉深度监测中的应用进行综述。

目的:对时距记忆提取阶段的行为学指标以及脑电信号在不同提取次数下的变化规律进行探讨。方法:随机抽取2022年11月招募的上海理工大学健康被试30名，采用时间估计任务的再现法，记录被试1 500 ms时距记忆提取阶段的反应时间和脑电信号，计算记忆错误率、精度和准确度以及脑电信号低频段功率，进行时频分析和溯源分析，并对记忆错误率、精度与θ、β节律的相关性进行pearson相关性分析。结果:时间差和记忆精度在提取次数间存在主效应[ F（3，1 196）＝2.932， P＝0.033； F（3，1 196）＝3.191， P＝0.026]，且随着提取次数的增加而变大。记忆准确度不存在主效应，但随着提取次数增加，准确度均值变大。随着记忆提取次数增加，左侧额叶的θ节律功率逐渐变大[ F(3，116)＝2.668， P＝0.035]，额中叶β节律平均功率逐渐减小[ F(3，116)＝2.810， P＝0.029]。上顶叶体感联合皮层（BA7）、背外侧前额叶（BA9）和前运动皮层（BA6）脑区在第1次与第2次、第2次与第3次、第3次与第4次记忆提取中的电流密度分布差异均出现了增加（ P<0.01）。θ节律与记忆精度呈正相关（ r＝0.258 ，P<0.05），β节律与记忆精度呈负相关（ r＝?0.404 ，P<0.01）。 结论:时距记忆提取阶段，增加时距记忆的提取次数会提高记忆错误率和精度，记忆精度与左侧额叶θ节律功率增加以及额中央区域β节律减小有关。

生理时间序列也称生理信号，是按照时间顺序收集的某个生命体征指标的观测结果，如心电信号、呼吸信号。对生理信号的分析可通过提取时域特征、频域特征、时频域特征来实现。此外，生理信号被证明具有广泛的非线性动力学特征，提取生理信号的非线性特征，有利于充分刻画生理信号的变化规律，尤其适用于波形和振幅特征不太明显的情况。

砂体尖灭的刻画是构造岩性复合圈闭有效性评价的关键,而受地震资料带限影响难以准确识别砂体的尖灭位置.为了有效解决地震剖面上尖灭识别不准的问题,本文创新引入同步压缩匹配追踪时频分辨率和能量聚焦性双重优势开展砂体尖灭识别研究.首先利用时频域褶积算子与初始模型约束构建匹配追踪的冗余字典,在时频域内筛选出所有可能的匹配原子构成备选原子库;将初始模型约束与时频域联合反演方法引入反演框架,可获得更精确的反演结果;再利用同步压缩匹配追踪变换,通过逐道分析提取优势频率,筛选时频瞬时谱,得到具有最优频率的单频谱剖面.对所提方法进行的二维模型及实际资料的测试,结果表明,基于同步压缩匹配追踪的高分辨率地震谱分解砂体尖灭点识别方法能够获得更丰富的时频域信息,得到最优频率的单频谱剖面,进而精确识别地下地质体尖灭位置.该方法对超覆型及削蚀型岩性圈闭尖灭线的刻画具有重要的借鉴意义.

目的 提出一种基于生物雷达传感器的头部特定动作非接触识别方法.方法 首先对头部特定动作——静止、点头、左转、右转、后倾、张嘴、左点头、右点头采集雷达回波信号;其次,通过时域处理和时频分析得到时域和时频谱2种图像数据;接着从时域和时频域数据中分别提取特征并利用主成分分析法(Principal Component Analysis,PCA)构建更为有效的新特征;最后,运用支持向量机模型(Support Vector Machine,SVM)对新特征进行分类.结果 基于PCA和SVM构建人体动作特征提取方法,并对人体头部动作进行识别,结果显示,不同类型头部动作的分类识别准确率可达88.64%.结论 本文提出的头部动作非接触识别对于阿尔茨海默病患者增强社会交流、延缓病情发展、提升生活质量具有重要意义.

目的 探讨焦虑障碍患者及高危人群脑电特征,为军队征兵心理选拔及多质融合理论提供客观支持.方法 招募焦虑障碍患者(焦虑障碍组,n=38)、焦虑障碍高危者(焦虑高危组,n=39)及健康人(正常组,n=38)并收集其脑电数据,使用eeglab软件对3组被试的多质融合指标[功率谱密度(PSD)、时频幅值、功能连接)进行分析,考察PSD、加权相位延迟指数(wPLI)能否用作评估焦虑障碍的脑异常指标;采用Python 2.0 Scikit-Learn包的支持向量机与K近邻分类器对3组被试进行二分类.结果 在δ、θ和α低频频段,3组被试PSD差异显著.PSD在δ频段组间主效应差异有统计学意义(F=97.55,P＜0.001),焦虑障碍组(6.16±0.61)＞焦虑高危组(5.22±0.73)＞正常组(3.36±0.06);PSD在θ频段组间主效应差异有统计学意义(F=65.87,P＜0.001),焦虑障碍组(2.25±0.07)＞焦虑高危组(2.23±0.08)＞正常组(1.34±0.39);PSD在α频段组间主效应差异有统计学意义(F=178.73,P＜0.001),焦虑障碍组(2.02±0.45)＞焦虑高危组(1.94±0.57)＞正常组(0.98±0.02).在βl、β2及γ高频频段,焦虑高危组前额叶(FP1、FP2)和颞叶(T3、T4)区PSD有上升波动.在β1频段焦虑障碍组与正常组的wPLI分别在TP7-FC3电极对(t=2.45,P＜0.05)与T5-FC3电极对(t=-3.01,P＜0.05)的差异有统计学意义.结合行为学、频域、时频和功能连接4种特征筛选指标应用于机器学习,多质融合指标较单纯行为学指标识别焦虑高危者与正常人的准确率从75.00％提高到82.61％.结论 利用机器学习对脑电指标进行分类,结合多质融合理论可作为提高区分焦虑障碍人群的潜在特征,在未来征兵心理选拔与临床评估中具有前瞻性意义.

目的 探索卒中后失语(PSA)工作记忆的任务态脑电特征.方法 2020年9月至2021年2月,于北京中医药大学东直门医院招募PSA患者(PSA组)和健康受试者(HC组)各8例,采集脑电图和记忆量表数据,通过工作记忆任务态的脑电数据分析时域事件相关电位(ERP)和时频的脑电频段指标特点,与记忆量表中的各项目进行相关性分析.结果 最终纳入10例,每组5例.ERP分析发现前额区诱发N1和P2成分,顶枕区诱发P300成分.与HC组相比,PSA组在出现条件下,中央前额区N1和P2激活增强,右侧顶枕区P300活动降低(|t|>2.193,P<0.05).与HC组相比,PSA组在未出现条件下右侧前额区、中央顶枕区θ频段能量降低,左侧顶枕区α1频段能量降低,左侧中央区γ频段能量增加(t>2.398,P<0.05).相关性分析显示,γ频段的能量与听觉词语学习测验中的即刻回忆(r = 0.914,P = 0.030)、正确再认(r = 0.931,P = 0.022)和数字广度测验中的倒背(r = 0.924,P = 0.025)、顺背(r = 0.889,P = 0.044)呈强正相关.结论 视觉工作记忆任务可调动PSA患者记忆相关脑区代偿活动,可作为PSA工作记忆相关研究的评价客观指征.语言损伤与工作记忆之间存在密切联系.

为提高情绪识别的准确率,本研究利用卷积神经网络和迁移学习,提出了一种基于心电(electrocardiography,ECG)信号图像特征的情绪识别方法.首先对ECG信号进行预处理,去除噪声;然后提取ECG信号的时域波形图和时频图;最后,利用迁移学习和双输入EfficientNetV2 网络学习图像的时域和频域特征并进行分类,得到对应的情绪类别.在公开数据集Amigos上进行验证,结果显示,本研究在唤醒度、效价和优势度的识别准确率分别为 91.63%,95.27%和 92.32%.相较于其它情绪识别方法,本研究方法具有更高的准确率.

脑电的研究正在不断突破并取得成果,在情绪识别领域,包含脑电信号采集、数据预处理、提取时频特征、构建脑网络特征和分类识别等步骤.本文综述了脑电特征计算方法的现状,脑电情绪识别的步骤、方法,归纳总结了应用方式并对今后的发展进行展望.脑电情绪识别的应用展现出巨大的潜力,如心理健康评估、情绪感知计算和人机交互.随着机器学习和人工智能的进步,以及脑电图信号处理的改进,有望进一步提高基于脑电图的情绪识别的准确性和可靠性.本文对脑电情绪识别特征计算方法,情绪识别的步骤和临床应用方面的具体事例进行了阐述,并对未来的方向进行了展望,对于研究人员系统地了解脑电情绪识别具有积极意义.

目的:设计基于二维查找模型和ZigBee网络的CT扫描设备故障远程检测方法,提高CT扫描设备故障检测准确率.方法:采用ZigBee网络技术从环境因素、电气因素和气路因素采集CT扫描设备运行状态数据,根据监测数据提取其中的时频域信号,将提取的故障信号特征参数进行融合,采用二进制反向变换将故障数据转化为平稳的时间序列,抑制数据的波动性,并通过建立相应的二维查找模型与匹配函数计算故障数据的依赖度,以此为依据,引入贝叶斯评价函数实现对设备故障的远程检测.选取医院临床在用的大型CT扫描仪为实验样机,同时随机选取使用与实验样机型号与配置相同的80台次CT扫描设备的550条实际故障数据为训练样本,对比CT扫描设备故障远程检测方法与长短时记忆网络(方法1)和深度信念网络(方法2)检测方法的准确率.结果:设计的CT扫描设备故障远程检测方法仅在状态标签5出现检测错误,但判断误差在可控范围.5次故障检测实验中,CT扫描设备故障远程检测方法得到的检测准确率均＞80%,远高于方法1与方法2.结论:CT扫描设备故障检测方法具有较高的检测准确率,能够实现CT扫描设备故障远程检测的实际需求.