搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

等概率符号化样本熵应用于脑电分析

黄晓林 霍铖宇 司峻峰 刘红星

等概率符号化样本熵应用于脑电分析

黄晓林, 霍铖宇, 司峻峰, 刘红星
PDF
导出引用
导出核心图
  • 样本熵(或近似熵)以信息增长率刻画时间序列的复杂性,能应用于短时序列,因而在生理信号分析中被广泛采用. 然而,一方面由于传统样本熵采用与标准差线性相关的容限,使得熵值易受非平稳突变干扰的影响,另一方面传统样本熵还受序列概率分布的影响,从而导致其并非单纯反映序列的信息增长率. 针对上述两个问题,将符号动力学与样本熵结合,提出等概率符号化样本熵方法,并对其物理意义、数学推导及参数选取都做了详细阐述. 通过对噪声数据的仿真计算,验证了该方法的正确性及其区分不同强度时间相关的有效性. 此方法应用于脑电信号分析的结果表明,在不对信号做人工伪迹去除的前提下,只需要1.25 s的脑电信号即可有效地区分出注意力集中和注意力发散两种状态. 这进一步证明了该方法可很好地抵御非平稳突变干扰,能快速获得短时序列的潜在动力学特性,对脑电生物反馈技术具有很大的应用价值.
    • 基金项目: 江苏省自然科学基金(批准号:BK2011565)和国家自然科学基金(批准号:61271079)资助的课题.
    [1]

    Pincus S M 1991 Proc. Natl. Acad. Sci. USA 88 2297

    [2]

    Richman J S, Moorman J R 2000 Am. J. Physiol. Heart Circ. Physiol. 278 2039

    [3]

    Bruhn J, Röpcke H, Hoeft A 2000 Anesthesiology 92 715

    [4]

    Lake D E, Richman J S, Griffin M P, Moorman J R 2002 Am. J. Physiol. Regul. Integr. Comp. Physiol. 283 R789

    [5]

    Srinivasan V, Eswaran C, Sriraam N 2007 IEEE Trans. Inf. Technol. Biomed. 11 288

    [6]

    Sohn H, Kim I, Lee W, Peterson B S, Hong H, Chae J H, Hong S, Jeong J 2010 Clin. Neurophysiol. 121 1863

    [7]

    Acharya U R, Molinari F, Sree S V, Chattopadhyay S, Ng K H, Suri J S 2012 Biomed. Signal Proces. Control. 7 401

    [8]

    Costa M, Goldberger A L, Peng C K 2005 Phys. Rev. E 71 021906

    [9]

    Ahmed M U, Mandic D P 2011 Phys. Rev. E 84 061918

    [10]

    Hu M, Liang H 2012 IEEE Trans. Biomed. Eng. 59 12

    [11]

    Song A L, Huang X L, Si J F, Ning X B 2011 Acta Phys. Sin. 60 020509 (in Chinese) [宋爱玲, 黄晓林, 司峻峰, 宁新宝 2011 物理学报 60 020509]

    [12]

    Zhang M, Wang J 2013 Acta Phys. Sin. 62 038701 (in Chinese) [张梅, 王俊 2013 物理学报 62 038701]

    [13]

    Wu S, Li J, Zhang M L, Wang J 2013 Acta Phys. Sin. 62 238701 (in Chinese) [吴莎, 李锦, 张明丽, 王俊 2013 物理学报 62 238701]

    [14]

    Chen G, Xie L, Chu J 2013 Chin. Phys. B 22 038902

    [15]

    Wang J, Yu Z F 2012 Chin. Phys. B 21 018702

    [16]

    Lin J, Keogh E, Wei L, Lonardi S 2007 Data Min. Knowl. Disc. 15 107

    [17]

    Hou F Z, Huang X L, Chen Y, Huo C Y, Liu H X, Ning X B 2013 Phys. Rev. E 87 012908

    [18]

    Kantz H, Schreiber T 2003 Nonlinear Time Series Analysis (2nd Ed.) (Cambridge: Cambridge University Press) pp39-40

    [19]

    Klimesch W 1999 Brain Res. Rev. 29 169

    [20]

    David J V 2005 Appl. Psychophysiol. Biofeedback 30 347

    [21]

    Egner T, Gruzelier J H 2004 Clin. Neurophysiol. 115 131

  • [1]

    Pincus S M 1991 Proc. Natl. Acad. Sci. USA 88 2297

    [2]

    Richman J S, Moorman J R 2000 Am. J. Physiol. Heart Circ. Physiol. 278 2039

    [3]

    Bruhn J, Röpcke H, Hoeft A 2000 Anesthesiology 92 715

    [4]

    Lake D E, Richman J S, Griffin M P, Moorman J R 2002 Am. J. Physiol. Regul. Integr. Comp. Physiol. 283 R789

    [5]

    Srinivasan V, Eswaran C, Sriraam N 2007 IEEE Trans. Inf. Technol. Biomed. 11 288

    [6]

    Sohn H, Kim I, Lee W, Peterson B S, Hong H, Chae J H, Hong S, Jeong J 2010 Clin. Neurophysiol. 121 1863

    [7]

    Acharya U R, Molinari F, Sree S V, Chattopadhyay S, Ng K H, Suri J S 2012 Biomed. Signal Proces. Control. 7 401

    [8]

    Costa M, Goldberger A L, Peng C K 2005 Phys. Rev. E 71 021906

    [9]

    Ahmed M U, Mandic D P 2011 Phys. Rev. E 84 061918

    [10]

    Hu M, Liang H 2012 IEEE Trans. Biomed. Eng. 59 12

    [11]

    Song A L, Huang X L, Si J F, Ning X B 2011 Acta Phys. Sin. 60 020509 (in Chinese) [宋爱玲, 黄晓林, 司峻峰, 宁新宝 2011 物理学报 60 020509]

    [12]

    Zhang M, Wang J 2013 Acta Phys. Sin. 62 038701 (in Chinese) [张梅, 王俊 2013 物理学报 62 038701]

    [13]

    Wu S, Li J, Zhang M L, Wang J 2013 Acta Phys. Sin. 62 238701 (in Chinese) [吴莎, 李锦, 张明丽, 王俊 2013 物理学报 62 238701]

    [14]

    Chen G, Xie L, Chu J 2013 Chin. Phys. B 22 038902

    [15]

    Wang J, Yu Z F 2012 Chin. Phys. B 21 018702

    [16]

    Lin J, Keogh E, Wei L, Lonardi S 2007 Data Min. Knowl. Disc. 15 107

    [17]

    Hou F Z, Huang X L, Chen Y, Huo C Y, Liu H X, Ning X B 2013 Phys. Rev. E 87 012908

    [18]

    Kantz H, Schreiber T 2003 Nonlinear Time Series Analysis (2nd Ed.) (Cambridge: Cambridge University Press) pp39-40

    [19]

    Klimesch W 1999 Brain Res. Rev. 29 169

    [20]

    David J V 2005 Appl. Psychophysiol. Biofeedback 30 347

    [21]

    Egner T, Gruzelier J H 2004 Clin. Neurophysiol. 115 131

  • 引用本文:
    Citation:
计量
  • 文章访问数:  1665
  • PDF下载量:  1483
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-01-06
  • 修回日期:  2014-02-11
  • 刊出日期:  2014-05-05

等概率符号化样本熵应用于脑电分析

  • 1. 南京大学电子科学与工程学院, 生物医学电子工程研究所, 南京 210023;
  • 2. 常熟理工学院物理与电子工程学院, 常熟 215500
    基金项目: 

    江苏省自然科学基金(批准号:BK2011565)和国家自然科学基金(批准号:61271079)资助的课题.

摘要: 样本熵(或近似熵)以信息增长率刻画时间序列的复杂性,能应用于短时序列,因而在生理信号分析中被广泛采用. 然而,一方面由于传统样本熵采用与标准差线性相关的容限,使得熵值易受非平稳突变干扰的影响,另一方面传统样本熵还受序列概率分布的影响,从而导致其并非单纯反映序列的信息增长率. 针对上述两个问题,将符号动力学与样本熵结合,提出等概率符号化样本熵方法,并对其物理意义、数学推导及参数选取都做了详细阐述. 通过对噪声数据的仿真计算,验证了该方法的正确性及其区分不同强度时间相关的有效性. 此方法应用于脑电信号分析的结果表明,在不对信号做人工伪迹去除的前提下,只需要1.25 s的脑电信号即可有效地区分出注意力集中和注意力发散两种状态. 这进一步证明了该方法可很好地抵御非平稳突变干扰,能快速获得短时序列的潜在动力学特性,对脑电生物反馈技术具有很大的应用价值.

English Abstract

参考文献 (21)

目录

    /

    返回文章
    返回