基于复杂网络的脑电和心电信号分析

摘要

生理信号反映了人体的各项机能，包括情绪、疲劳、健康状况等，典型的生理信号包括脑电(EEG)、心电(ECG)等。针对脑电心电信号的研究可以加深对人体的了解。复杂网络已成为数据分析的关键理论，其可有效挖掘蕴含在生理信号中的重要信息。本文发展可视图复杂网络用于分析心电RR间隔信号、癫痫脑电信号和疲劳驾驶脑电信号。 心电信号能够最直观的反应心脏的运行状况，准确及时的辨识出异常心电信号具有重大意义。本课题组先前提出的有限穿越可视图方法具有很好的抗噪特性，本文采用该方法从RR间隔心电信号中构建对应于健康人、充血性心力衰竭患者、心房颤动患者的有限穿越可视图复杂网络，结合随机森林分类网络指标，准确率高达93.5%。 长期频繁发作的癫痫会严重损害患者的身心智力健康。因此，分析正常脑电信号和癫痫发作脑电信号有助于人们认识癫痫疾病从而发展治疗癫痫疾病的新方法。本文发展多尺度水平有限穿越可视图，实现对癫痫发作时脑电及正常阶段脑电的分类，准确率为100%。 癫痫发作间隔和癫痫发作时期的脑电信号的分类相较于正常和癫痫发作时期的脑电信号的分类具有更大的难度。本文提出自适应最优核时频可视图理论，分析了癫痫发作间隔和癫痫发作时期的脑电信号。结果表明，该方法能够有效的辨别这两类脑电信号，准确率超过98%。 疲劳驾驶是导致车祸的重要原因，脑电信号是检测疲劳的有效信息源。本文设计了疲劳驾驶行为实验，获取正常和疲劳状态下的多通道脑电信号。在此基础上，提出了多层水平有限穿越可视图理论，用于从脑电信号中探测疲劳状态。结果表明该方法能够有效的辨识人类驾驶时正常和疲劳的两种脑状态，该方法也为多元时间序列复杂网络分析提供了新思路。

目录

第一个书签之前