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。

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.

目的 观察优势手和非优势手进行镜像视觉反馈训练(MVF)过程中大脑运动皮质激活及大脑偏侧化情况.方法 2021年3月至9月于沈阳体育学院招募右利手男性受试者17例.应用eegoTMmylab脑电系统实时采集其在MVF过程中的脑电(EEG)和指伸肌的表面肌电(sEMG)信号.被试完成单侧手指的伸展运动,包含左/右手MVF和左/右手直视(VF)训练4个实验范式,每种范式重复80个试次,4种范式分两次进行,每次实验间隔1周.分析sEMG信号的时域特征以及与运动密切相关的α频段(8～13 Hz)、β频段(13～20 Hz)EEG信号的时频特征,采用事件相关去同步化/同步化(ERD/ERS)、非对称指数(AI)评价优势和非优势手MVF时运动皮质激活及偏侧化现象.结果 放松手为右手时,MVF和VF指伸肌的sEMG振幅大于静息状态(P<0.05).在α频段,训练状态在ERD/ERS上主效应非常显著(F = 14.125,ηp2 = 0.469,P = 0.002),MVF高于VF;在β频段,训练状态在ERD/ERS上主效应非常显著(F = 9.704,ηp2 = 0.378,P = 0.007),运动手与训练状态在ERD/ERS上交互作用显著(F = 8.014,ηp2 = 0.334,P = 0.012),其中VF时,右手运动ERD/ERS高于左手运动(F = 7.267,ηp2 = 0.312,P = 0.016),当右手运动时,MVF时ERD/ERS高于VF时(F = 17.530,ηp2 = 0.523,P = 0.001).在C4电极位置,VF时,右手运动ERD/ERS高于左手运动(t =-3.201,P = 0.006,Cohen's d = 0.776);当右手运动时,MVFERD/ERS高于VF(t =-4.060,P = 0.001,Cohen's d = 0.985).AI仅在β频段训练状态主效应显著(F = 5.796,ηp2= 0.266,P = 0.028),MVF高于VF.结论 MVF可能通过募集额-顶区镜像神经元以及减少半球间与皮质内抑制活动来提高运动手同侧初级运动皮质区神经元的活动,并且这种效应对于优势手训练的效果更佳.

目的 从脑电信号时域和频域特征探究连续作业脑力疲劳对反应抑制功能的影响.方法 选择19名健康男性被试作为研究对象,采用70 min持续认知操作任务诱发脑力疲劳状态,利用Go/Nogo实验范式中Go刺激(反应任务)和Nogo刺激(抑制任务)评价脑力疲劳前后行为学变化.将Fz、Cz电极的事件相关电位N2、P3波幅和潜伏期,以及θ和β频段的神经振荡节律作为脑电分析指标,通过重复测量方差分析比较疲劳前后脑电信号时频域特征的差异.结果 ①脑力疲劳后Go刺激的反应时和正确率无显著改变,Nogo刺激正确率显著下降(P<0.01);②脑力疲劳后Cz电极Nogo刺激的N2潜伏期显著延长(P<0.001),Fz电极Go刺激P3潜伏期显著延长(P<0.05),Fz、Cz电极Go和Nogo刺激的P3波幅均显著降低(P<0.01);③脑力疲劳导致Fz电极Nogo刺激后200～500 ms和600～750 ms时间窗β频段功率显著降低(P<0.05).结论 脑电N2潜伏期延长和β频段功率降低可能是脑力疲劳后反应抑制功能受损的重要神经生理表征.

心室颤动是导致心搏骤停最常见的病理生理机制,心搏骤停若能得到及时救助,就能大幅度提高患者存活率,因此,快速准确识别心室颤动极为重要.该研究提出一种基于BP(back propagation)神经网络和随机森林的心室颤动自动检测算法.将心电信号通过6 s的移动窗口,根据信号的时频域信息,计算出6种特征参数,将这6种特征参数作为分类器的输入,进行分类和测试,并以数据库中权威专家给定的标签作为参考输出,共使用了44例相关数据对该方法进行了评估.十折交叉验证法结果表明,该方法在CU数据库(Creighton University Ventricular Tachyarrhythmia Database)和AHA数据库(The American Heart Association Database)中心室颤动分类准确率达到了96.38%和99.45%,具有一定的可应用性.