目的:探讨临床视觉电生理检查过程中产生伪迹的常见原因及解决方法。方法:采用横断面研究方法，收集2012—2020年陆军军医大学第一附属医院的临床视觉电生理检查25 001例，对照国际视觉电生理协会指导标准所提供的标准波形，确定典型的伪迹波形，分析其特征和原因，并针对伪迹原因提出减少及消除伪迹的方法。结果:25 001例中典型的伪迹波形有60例，常见原因可分为3大类：受检者因素、环境因素和机器设备因素，具体原因包括患者头面部肌肉紧张42例、瞬目9例、50 Hz工频伪迹4例、放大器异常2例、其他3例，分别占70.0%、15.0%、6.7%、3.3%、5.0%。处理策略：(1)检查过程中关注患者头面部肌肉紧张、瞬目、注意力不集中等患者自身影响因素，可提前告知患者检查流程，与患者交流放松身心；(2)建议使用高质量的50 Hz硬件陷波器，保证地线连接良好，移除视觉电生理仪器附近的大功率电器以降低50 Hz伪迹；(3)充分清洁皮肤，使参考电极阻抗降至1 kΩ以下减少阻抗伪迹。结论:临床视觉电生理检查中伪迹的类型和原因呈多样性，检查者需要准确判断伪迹因素并及时有效排除伪迹，提供更加精准的检测结果；同时加强临床医师对伪迹的了解，以便准确判读视觉电生理检查报告。

实时评价模拟腹腔镜训练者训练时的疲劳值,并分析疲劳与训练效果的关系.基于MATLAB平台设计了数据采集模块和疲劳分析模块.在训练过程中,Brainlink采集脑电数据,通过蓝牙将数据发送到数据采集模块,然后通过盲源分离的方法去除伪迹,应用小波变换提取4种节律波,采用马氏距离的半监督回归模型得出疲劳值.采用ROC曲线确定模型的阈值,当超过阈值时表示疲劳事件发生,报警提示终止训练;利用Tobii眼动仪采集眼动信号,计算完成时间,错误数,注视点个数,注视时间百分比以及注视/眼跳时间百分比来评价训练效果.在1~6次训练中,疲劳值略微上升但疲劳还未发生时,训练效果逐渐变好;在7~15次中,疲劳值略微上升,训练效果趋于稳定;在16~20次中,疲劳值呈上升趋势,疲劳发生时,训练效果下降.训练者的疲劳程度对训练效果有一定的影响.当疲劳发生时,训练效果下降,当疲劳值达到疲劳阈值10时,应终止训练.

目的 为改善脑电中眼电伪迹的去除效果,基于脑电的非平稳性和模糊特点,提出一种将离散小波变换与二阶盲辨识相结合,并以模糊熵为眼电伪迹判别准则的眼电伪迹去除方法.方法 首先,采用离散小波变换对含噪的脑电信号进行多分辩分析,获得平稳性更好的多尺度小波系数;进而,选择同层的小波系数构成小波系数矩阵,并基于二阶盲辨识对其盲源分离,得到源信号的估计;进一步以模糊熵为判别依据,实现眼电伪迹的自动判别与剔除.实验数据采用BCI Competition IV公开数据库,使用信噪比、相关系数及均方根误差等常用伪迹判别指标进行衡量.结果 本文方法相对于常用的眼电伪迹去除方法在多个性能指标上均取得最大值.结论 本文提出的眼电伪迹去除方法,实现了眼电伪迹的自动精确判断与剔除,并表现出很好的稳定性.

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.

脑电信号可以反映人体大脑活动状态,精确地将脑内信息传递向外界,对脑科学研究具有重要的意义.在实际情况中,脑电信号采集的同时会带有一些噪声,而眼电伪迹的存在会严重干扰脑电信号.本研究尝试了一种基于变分模态分解的眼电伪迹去除方法.通过变分模态分解将采集到的脑电信号分解成K组模态分量;根据眼电伪迹的频率特点,选择出眼电伪迹所对应的模态分量,并将其去除后重新构建剩余的模态分量.结果表明通过对实验数据的处理,变分模态分解可以有效地将眼电伪迹去除,并维持脑电信号的特征.

在实际应用中的脑-机接口系统要求脑电信号采集通道越少越好,然而当减少到只有一个通道时,其眼电伪迹去除比较困难.因此,本文提出一种基于小波变换和集合经验模态分解的眼电伪迹去除算法,首先将单通道脑电信号进行小波变换,选择包含眼电伪迹的小波成分进行集合经验模态分解,进一步通过设置自相关系数阈值自动去除以眼电伪迹成分为主的固有模态函数,最后重构得到"干净"的脑电信号.在仿真数据和真实数据上的对比实验表明,本文所提算法解决了单通道脑电信号中眼电伪迹的自动去除问题,能够在有效去除眼电伪迹的同时,造成较小的脑电信号失真,同时具有较低的算法复杂度,有助于推动脑-机接口技术走出实验室,走向商业化应用.

目的 观察难治性癫痫患儿简单数学运算的反应时间及事件相关电位(ERP)的变化,探讨难治性癫痫患儿的数学认知功能.方法 选取难治性癫痫患儿10例(A组)、同年龄组癫痫控制良好患儿10例(B组)及同年龄组健康儿童10例(C组),三组儿童进行10以内加减计算的同时接受脑电图检查,并判断答案正确与否,从脑电分析仪相连接的计算机E-prime软件上获取简单数学运算的反应时间,借助Besa分析软件和E-prime软件,剔除脑电记录中的眼动和眨眼等伪迹,并矫正基线,通过独立成分分析和平均叠加技术从记录的脑电中提取最终ERP成分(Nl、P2、N2、P3),并分析ERP成分的波幅和潜伏期.结果 ①简单数学运算的反应时间:A、B、C组正确答案反应时间分别为(720.1±56.3)、(654.3±61.1)、(645.5±49.6)ms,A组正确答案反应时间长于B、C组(P均<0.05);B、C组比较,P>0.05;A组错误答案判断反应时间长于正确答案判断反应时间[(735.2±57.5)ms、(687.7±48.4)ms,P<0.05].②ERP成分分析结果:运算时,A、B、C组N2波幅分别为(14.3±4.1)、(12.2±3.8)、(11.7±3.1)μv,A组高于B、C组(P均<0.05);S3的P3潜伏期分别为(490.0±33.4)、(426.9±28.4)、(408.7±29.3)ms,A组长于B、C组(P均<0.05).答案判断时,A、B、C组的N2波幅分别为(15.2±4.4)、(11.7±3.6)、(10.8±2.9)μV,A组高于B、C组(P<0.05);P3潜伏期分别为(492.2±38.4)、(456.4±40.2)、(413.7±37.1)ms,A组长于B、C组(P均<0.05).结论 与癫痫控制良好患儿及健康儿童比较,难治性癫痫患儿简单数学运算的正确答案反应时间延长;无论计算时还是答案判断时,ERP成分中N2波幅高,P3潜伏期长;难治性癫痫患儿的数学认知功能受损.

目的:设计基于无线多模态信号采集的驾驶员疲劳监测系统,用于驾驶员疲劳评价和体征监测,以确保驾驶员的交通安全.方法:针对采集单人、单一模态数据,对不同场景的适应性不足等问题,设计基于无线多模态信号采集的驾驶员疲劳监测系统,系统通过摄像头记录驾驶员的面部状态,结合眼睑闭合度进行预评价,利用无线通信控制多个自行研制的电生理信号采集设备,实时采集驾驶员的脑电、心电及眼电信号.通过巴特沃斯低通滤波器和小波变换减少电生理信号中的伪迹和干扰,利用非线性变换提取脑电信号三频段差分熵特征、差分法提取心电中的心率特征,对驾驶员体征和疲劳状态进行实时监测、分析和可视化.结果:通过共模抑制比、输入噪声和信号完整性测试验证,驾驶员疲劳监测系统能够满足脑电、心电的医学采集标准;多人、多通道数据采集实时性误差<62.5 ppm;基于三频带非线性特征计算的疲劳程度与主观评价相关性达到89.1％,相较于双频带线性特征的相关性提升了14.2％.结论:基于无线多模态信号采集的驾驶员疲劳监测系统可实时采集驾驶员的多模体征,有效检测其疲劳和监测心率,对确保驾驶员交通安全具有重要意义和应用价值.

目的:提出一种基于自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和恒虚警率(constant false alarm rate,CFAR)算法的眼电伪迹去除方法.方法:首先采用CEEMDAN方法分解原始信号,得到低频噪声和含有明显眼电脉冲信号的本征模态函数(intrinsic mode function,IMF)分量.其次采用CFAR算法实现IMF分量中眼电伪迹的自动识别.然后对含有眼电伪迹的脑电信号进行预处理后获得纯净脑电信号.最后通过实验验证该方法的有效性.结果:该方法能在有效滤除眼电伪迹的同时较好地保留局部细节和有用信息.结论:该方法具有计算简单、运行速度快的优点,适用于单通道脑电信号中的眼电伪迹去除.

目的 为了准确地分离并去除脑电(electroencephalogram,EEG)信号中的尖峰状眼电(electrooculogram,EOG)伪迹,本文提出一种基于核独立分量分析(kernel independent component analysis,KICA)和掩膜最小弧长经验模态分解(masking-aided minimum arclength empirical mode decomposition,MAMA-EMD)的眼电伪迹去除方法,即KICMME.方法 首先,使用KICA将多通道受污染的EEG信号分离为多个独立分量(independent components,ICs);然后,计算每个IC的峰度值,确定与EOG相关的IC,并利用MAMA-EMD算法对其进一步分解,得到一组固有模态函数(intrinsic mode function,IMF);进而,通过计算各IMF的低频功率占比,识别并剔除与EOG相关性高的IMF;最后,基于MAMA-EMD和KICA的逆变换重构出"纯净"EEG信号.结果 在半模拟和真实脑电两个数据集上进行实验研究,KICMME取得的均方误差和信噪比分别为0.82和12.51 dB,获得的分类准确率和Kappa值分别为91％和0.82.结论 MAMA-EMD能够准确地分离出与EOG相关的IMF分量,使得KICMME可以在保留有用神经信息的同时,最大限度地去除EEG信号中的EOG伪迹,相对现有基于盲源分离的眼电伪迹去除方法具有明显优势.