多尺度样本熵对脑信号复杂度评估算法的修正
多尺度熵睡眠呼吸暂停程度的分析
第17卷第24期2017年8月 1671 —1815 (2017)024-0247-04科学技术与工程Science Technology and EngineeringVol. 17 No.24 Aug. 2017©2017 Sci.Tech.Engrg.多尺度熵睡眠呼吸暂停程度的分析范文兵余传奇*(郑州大学信息工程学院，郑州450001)摘要当前就睡眠呼吸暂停症状的研究对心血管疾病的预测有重要的临床意义。
选用A pnea-E C G d a ta b a se里的37个研究 对象，根据呼吸暂停低通气指数（apnea hypopnea in d e x，A H I)分为四类：正常群体（A H I <5)、轻度睡眠呼吸暂停（5矣A H I < 15)、中度睡眠呼吸暂停（15矣A H I<30)、重度睡眠呼吸暂停（A H I&30)。
选取样本整个数据中间时刻1h心电信号（E C G)数据，以保证数据是处于研究对象深度睡眠下测得的。
利用C o s ta等提出的多尺度熵（m u ltisca le e n tro p y, M S E)算法应用于ECG 的R R间隔，来分析四类睡眠呼吸暂停的不同程度。
根据多尺度熵指数（腿ltisca le entropy in d e x, M E I)定义M E I p3和M E I13_15。
研究结果表明MEIp3*够很好地区分正常睡眠群体、轻度睡眠呼吸暂停患者、中度和重度呼吸暂停患者;并且M E I p^A H I二者具有良好的负相关性（f l2=0.279，P<0.05)。
关键词睡眠呼吸暂停 低通气指数（A H I)多尺度熵 多尺度熵指数（M E I)中图法分类号T P391.77; 文献标志码A睡眠呼吸暂停综合症是一种多发于中老年的常 见疾病。
发生的原因是人们呼吸时，在上呼吸道进 行气体交换，气体进人气管支气管受阻将出现打鼾 或阻塞性睡眠呼吸暂停[1]。
基于动态Hurst指数的人脑老化复杂度分析
第４２卷㊀第５期２０２３年㊀１０月北京生物医学工程ＢｅｉｊｉｎｇＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＶｏｌ ４２㊀Ｎｏ ５Ｏｃｔｏｂｅｒ㊀２０２３㊃论㊀著㊃基于动态Ｈｕｒｓｔ指数的人脑老化复杂度分析倪黄晶１，２㊀李新林１㊀秦姣龙３摘㊀要㊀目的研究健康成人在不同年龄段的功能特点可以更好地理解人脑的老化过程，Ｈｕｒｓｔ指数可以测量静息态功能磁共振成像时间序列的复杂度㊂既往对大脑复杂度随年龄变化的研究，还存在样本量小㊁未考虑复杂度的动态变化等局限性㊂因而有必要在大样本被试上通过刻画复杂度的动态变化特性，来研究人脑随年龄变化的规律㊂方法选择１９ ８０岁的４５８名健康成人静息态功能磁共振成像数据，划分为青年组（ｎ＝２１３）㊁中年组（ｎ＝１４２）和老年组（ｎ＝１０３），通过滑窗法来计算动态Ｈｕｒｓｔ指数，并进一步提取其平均值㊁标准差和变异系数特征来描述人脑的动态复杂度水平和波动程度，最后通过统计分析来评判不同年龄组被试的复杂度差异㊂结果在平均值特征上，双侧颞上回㊁双侧岛回㊁右侧扣带回和双侧腹中侧枕叶皮层的复杂度随年龄增长而降低，而双侧眶回和左侧楔前叶的复杂度则随年龄的增长而呈现出倒Ｕ形变化；在标准差和变异系数特征上，老年组在右侧楔前叶的动态复杂度显著大于青年组和中年组㊂结论人脑老化过程中全脑复杂度动态变化模式并不一致，且在不同的年龄段上，局部脑区存在不同的组间统计显著差异模式㊂该结果可以为研究者理解正常老化的功能机制提供帮助㊂关键词㊀动态Ｈｕｒｓｔ指数；脑老化；静息态功能磁共振成像；时间序列；复杂度ＤＯＩ：１０ ３９６９／ｊ．ｉｓｓｎ．１００２－３２０８ ２０２３ ０５ ００１．中图分类号㊀Ｒ３１８ ０４㊀㊀文献标志码㊀Ａ㊀㊀文章编号㊀１００２－３２０８（２０２３）０５－０４４１－０７本文著录格式㊀倪黄晶，李新林，秦姣龙．基于动态Ｈｕｒｓｔ指数的人脑老化复杂度分析［Ｊ］．北京生物医学工程，２０２３，４２（５）：４４１－４４７．ＮＩＨｕａｎｇｊｉｎｇ，ＬＩＸｉｎｌｉｎ，ＱＩＮＪｉａｏｌｏｎｇ．ＣｏｍｐｌｅｘｉｔｙａｎａｌｙｓｉｓｏｆｈｕｍａｎｂｒａｉｎａｇｉｎｇｕｓｉｎｇｄｙｎａｍｉｃＨｕｒｓｔｅｘｐｏｎｅｎｔ［Ｊ］．ＢｅｉｊｉｎｇＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０２３，４２（５）：４４１－４４７．ＣｏｍｐｌｅｘｉｔｙａｎａｌｙｓｉｓｏｆｈｕｍａｎｂｒａｉｎａｇｉｎｇｕｓｉｎｇｄｙｎａｍｉｃＨｕｒｓｔｅｘｐｏｎｅｎｔＮＩＨｕａｎｇｊｉｎｇ１，２，ＬＩＸｉｎｌｉｎ１，ＱＩＮＪｉａｏｌｏｎｇ３１㊀ＳｃｈｏｏｌｏｆＧｅｏｇｒａｐｈｉｃａｎｄＢｉｏｌｏｇｉｃＩｎｆｏｒｍａｔｉｏｎ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｎａｎｊｉｎｇ㊀２１０００３；２㊀ＳｍａｒｔＨｅａｌｔｈＢｉｇＤａｔａＡｎａｌｙｓｉｓａｎｄＬｏｃａｔｉｏｎＳｅｒｖｉｃｅｓＥｎｇｉｎｅｅｒｉｎｇＬａｂｏｆＪｉａｎｇｓｕＰｒｏｖｉｎｃｅ，Ｎａｎｊｉｎｇ㊀２１０００３；３㊀ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ㊀２１００９４Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＱＩＮＪｉａｏｌｏｎｇ（Ｅ⁃ｍａｉｌ：ｊｉａｏｌｏｎｇｑ＠ｎｊｕｓｔ ｅｄｕ ｃｎ）ʌＡｂｓｔｒａｃｔɔ㊀ＯｂｊｅｃｔｉｖｅＩｔｃａｎｂｅｔｔｅｒｈｅｌｐｔｏｕｎｄｅｒｓｔａｎｄｔｈｅａｇｉｎｇｐｒｏｃｅｓｓｏｆｈｕｍａｎｂｒａｉｎｂｙｓｔｕｄｙｉｎｇｔｈｅｆｕｎｃｔｉｏｎａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｈｅａｌｔｈｙａｄｕｌｔｓａｔｄｉｆｆｅｒｅｎｔａｇｅｓ．Ｈｕｒｓｔｅｘｐｏｎｅｎｔｃａｎｍｅａｓｕｒｅｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｒｅｓｔｉｎｇ⁃ｓｔａｔｅｆｕｎｃｔｉｏｎａｌｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｉｎｇ（ｒｓ⁃ｆＭＲＩ）ｔｉｍｅｓｅｒｉｅｓ．Ｐｒｅｖｉｏｕｓｓｔｕｄｉｅｓｏｎｔｈｅｃｈａｎｇｅｏｆｂｒａｉｎｃｏｍｐｌｅｘｉｔｙｗｉｔｈａｇｅｓｔｉｌｌｈａｖｅｓｏｍｅｌｉｍｉｔａｔｉｏｎｓ，ｓｕｃｈａｓｓｍａｌｌｓａｍｐｌｅｓｉｚｅａｎｄｉｇｎｏｒｉｎｇｔｈｅｄｙｎａｍｉｃｃｈａｎｇｅｏｆｃｏｍｐｌｅｘｉｔｙ．Ｔｈｅｒｅｆｏｒｅ，ｉｔｉｓｎｅｃｅｓｓａｒｙｔｏｓｔｕｄｙｔｈｅｃｈａｎｇｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅａｇｉｎｇｂｒａｉｎｂｙｍｅａｓｕｒｉｎｇｔｈｅｄｙｎａｍｉｃｃｈａｎｇｅｓｏｆｃｏｍｐｌｅｘｉｔｙｉｎａｌａｒｇｅｓａｍｐｌｅｓｉｚｅ．ＭｅｔｈｏｄｓＢｙｕｓｉｎｇｔｈｅｒｓ⁃ｆＭＲＩｄａｔａｆｒｏｍ４５８ｈｅａｌｔｈｙａｄｕｌｔｓａｇｅｄ１９ｔｏ８０，ｗｅｆｉｒｓｔｌｙｄｉｖｉｄｅｄｔｈｅｓｕｂｊｅｃｔｓｉｎｔｏｔｈｅｙｏｕｎｇｇｒｏｕｐ（ｎ＝２１３），ｔｈｅｍｉｄｄｌｅ⁃ａｇｅｄｇｒｏｕｐ（ｎ＝１４２）ａｎｄｔｈｅｅｌｄｅｒｌｙｇｒｏｕｐ（ｎ＝１０３）．ＴｈｅｄｙｎａｍｉｃＨｕｒｓｔｅｘｐｏｎｅｎｔｗａｓｔｈｅｎｃａｌｃｕｌａｔｅｄｂｙｔｈｅｓｌｉｄｉｎｇｗｉｎｄｏｗｍｅｔｈｏｄ，ａｎｄｉｔｓｍｅａｎｖａｌｕｅ，ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎａｎｄｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｒｉａｔｉｏｎｗｅｒｅｆｕｒｔｈｅｒｅｘｔｒａｃｔｅｄｔｏｄｅｓｃｒｉｂｅｔｈｅｌｅｖｅｌｏｆｄｙｎａｍｉｃｃｏｍｐｌｅｘｉｔｙａｎｄｆｌｕｃｔｕａｔｉｏｎｄｅｇｒｅｅｏｆｔｈｅｈｕｍａｎｂｒａｉｎ．Ｆｉｎａｌｌｙ，ｔｈｅｃｏｍｐｌｅｘｉｔｙｄｉｆｆｅｒｅｎｃｅｓｏｆｇｒｏｕｐｓｗｉｔｈｄｉｆｆｅｒｅｎｔａｇｅｓｗｅｒｅａｎａｌｙｚｅｄｂｙｓｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓ．ＲｅｓｕｌｔｓＦｏｒｔｈｅｍｅａｎｖａｌｕｅ，ｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｂｉｌａｔｅｒａｌｓｕｐｅｒｉｏｒｔｅｍｐｏｒａｌｇｙｒｕｓ，ｂｉｌａｔｅｒａｌｉｎｓｕｌａｒｇｙｒｕｓ，ｒｉｇｈｔｃｉｎｇｕｌａｔｅｇｙｒｕｓａｎｄｂｉｌａｔｅｒａｌｖｅｎｔｒａｌｍｉｄｄｌｅｏｃｃｉｐｉｔａｌｃｏｒｔｅｘｃｏｕｌｄｄｅｃｒｅａｓｅｗｉｔｈａｇｅ，ｗｈｉｌｅｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｂｉｌａｔｅｒａｌｏｒｂｉｔａｌｇｙｒｕｓａｎｄｌｅｆｔｐｒｅｃｕｎｅｕｓｓｈｏｗｅｄａｎｉｎｖｅｒｔｅｄＵ⁃ｓｈａｐｅｄｃｈａｎｇｅｗｉｔｈａｇｅ．Ｆｏｒｔｈｅｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎａｎｄｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｒｉａｔｉｏｎ，ｔｈｅｄｙｎａｍｉｃｃｏｍｐｌｅｘｉｔｙｏｆｔｈｅｒｉｇｈｔｐｒｅｃｕｎｅｕｓｉｎｔｈｅｅｌｄｅｒｌｙｇｒｏｕｐｗａｓｓｉｇｎｉｆｉｃａｎｔｌｙｈｉｇｈｅｒｔｈａｎｔｈａｔｉｎｔｈｅｙｏｕｎｇｇｒｏｕｐａｎｄｍｉｄｄｌｅ⁃ａｇｅｄｇｒｏｕｐ．ＣｏｎｃｌｕｓｉｏｎｓＤｕｒｉｎｇｔｈｅｎｏｒｍａｌａｇｉｎｇｏｆｔｈｅｈｕｍａｎｂｒａｉｎ，ｔｈｅｄｙｎａｍｉｃｃｈａｎｇｅｐａｔｔｅｒｎｓｏｆｃｏｍｐｌｅｘｉｔｙｉｎｔｈｅｗｈｏｌｅｂｒａｉｎａｒｅｎｏｔｃｏｎｓｉｓｔｅｎｔ，ａｎｄｔｈｅｒｅａｒｅｄｉｆｆｅｒｅｎｔｓｔａｔｉｓｔｉｃａｌｌｙｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｐａｔｔｅｒｎｓａｍｏｎｇｄｉｆｆｅｒｅｎｔａｇｅｇｒｏｕｐｓｉｎｃｅｒｔａｉｎｌｏｃａｌｂｒａｉｎｒｅｇｉｏｎｓ．Ｏｕｒｒｅｓｕｌｔｓｃａｎｈｅｌｐｔｏｉｍｐｒｏｖｅｔｈｅｕｎｄｅｒｓｔａｎｄｉｎｇｏｆｔｈｅｆｕｎｃｔｉｏｎａｌｍｅｃｈａｎｉｓｍｏｆｂｒａｉｎａｇｉｎｇ．ʌＫｅｙｗｏｒｄｓɔ㊀ｄｙｎａｍｉｃＨｕｒｓｔｅｘｐｏｎｅｎｔ；ｂｒａｉｎａｇｉｎｇ；ｒｅｓｔｉｎｇｓｔａｔｅｆｕｎｃｔｉｏｎａｌｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｉｎｇ；ｔｉｍｅｓｅｒｉｅｓ；ｃｏｍｐｌｅｘｉｔｙ基金项目：江苏省自然科学基金青年项目（ＢＫ２０１９０７３６）㊁国家自然科学基金青年项目（８１７０１３４６，６１６０３１９８）㊁南京邮电大学引进人才科研启动基金项目（ＮＹ２１８１３８）资助作者单位：１㊀南京邮电大学地理与生物信息学院（南京㊀２１０００３）２㊀江苏省智慧健康大数据分析与位置服务工程实验室（南京㊀２１０００３）３㊀南京理工大学计算机科学与工程学院（南京㊀２１００９４）通信作者：秦姣龙㊂Ｅ⁃ｍａｉｌ：ｊｉａｏｌｏｎｇｑ＠ｎｊｕｓｔ ｅｄｕ ｃｎ０㊀引言随着老年人口的日益增加，越来越多的研究开始关注健康生命周期中与年龄相关的认知变化规律［１］㊂人脑是一个极其复杂的动态系统，其结构和功能十分复杂，随着年龄的增长，脑组织的细胞㊁形态及功能都会发生一定的变化，可能会影响人的协调能力㊁语言能力㊁情绪控制能力㊁认知能力等机体功能［２］㊂深入理解正常老化过程中脑功能的变化规律，具有极为重要的意义㊂静息态功能磁共振成像（ｒｅｓｔｉｎｇ⁃ｓｔａｔｅｆｕｎｃｔｉｏｎａｌｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｉｎｇ，ｒｓ⁃ｆＭＲＩ）技术通过非侵入性地测量人脑血氧水平依赖信号从而间接获取脑神经活动的相关信息，已成为研究人脑功能变化规律的重要手段㊂既往研究表明，随着年龄的增长，人脑复杂度也会随之降低［３］㊂在先前的研究中，常用样本熵㊁模糊近似熵和多尺度熵等来进行人脑功能复杂度的分析㊂例如，Ｓｏｋｕｎｂｉ等［４］基于正常人脑ｒｓ⁃ｆＭＲＩ信号的复杂度分析，发现全脑模糊近似熵均值与年龄呈显著负相关，且额叶㊁顶叶㊁边缘叶㊁颞叶和小脑顶叶的模糊近似熵也与年龄呈显著负相关㊂Ｙａｎｇ等［３］使用多尺度熵比较了年轻人和老年人ｒｓ⁃ｆＭＲＩ信号的复杂度，发现老年组ｒｓ⁃ｆＭＲＩ信号的多尺度熵在左侧嗅皮质㊁右侧后扣带回㊁右侧海马㊁右侧海马旁回㊁左侧枕上回左侧尾状核和左侧丘脑区域比年轻组显著降低㊂Ｃｉｅｒｉ等［５］认为在正常条件下大脑系统的复杂度随外部环境的复杂性的增加而增加㊂这些研究表明，人脑老化过程中伴随着复杂度的改变，通过测量复杂度特性，可以较好地揭示出人脑的正常老化特征㊂然而由于熵值分析对于数据长度有要求，这使得熵值分析在只有数百个时间点的ｒｓ⁃ｆＭＲＩ信号动态变化分析中受到局限㊂Ｈｕｒｓｔ指数可用于测定时间序列中的长短程相关性，它对于时间序列长度的要求相对宽松，且具有可解释性强㊁适用性广的优点㊂当前，其在健康老化和脑疾病研究［６－７］中已得到良好的应用，如轻度认知障碍［８］㊁精神分裂症［９］㊁自闭症［１０］㊁焦虑症［１１］以及抑郁症［１２］等㊂然而上述研究所用的样本量普遍为３０ １２０，相对小的样本量会使所得结果更容易受到个体差异的影响㊂更重要的是，上述研究大多基于序列中的所有时间点进行静态复杂度分析，而忽视了ｆＭＲＩ信号内在的动态变化特性㊂最近的研究表明，ｒｓ⁃ｆＭＲＩ信号具有动态变化特性［１３］㊂因而，通过分析大样本被试脑内复杂度的动态变化特性，有助于更深入地刻画人脑随年龄变化的内在规律㊂鉴于此，本研究基于滑窗法来计算动态Ｈｕｒｓｔ指数，以研究不同年龄被试ｒｓ⁃ｆＭＲＩ信号复杂度的㊃２４４㊃北京生物医学工程㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４２卷动态变化情况㊂通过进一步提取其平均值㊁标准差和变异系数特征来分析不同脑区ｒｓ⁃ｆＭＲＩ信号动态复杂度的水平和波动程度的差异㊂最后通过对比不同年龄组被试间的统计差异，来探究人脑老化过程中全脑的复杂度动态变化模式，以此推进对正常脑老化功能机制的理解㊂１㊀材料和方法１ １㊀实验数据本研究采用的数据集是来自西南大学的成人功能磁共振成像数据集［１４］㊂该数据集包含４９４名健康成年人（１８７名男性㊁３０７名女性）的Ｔ１加权图像数据和ｒｓ⁃ｆＭＲＩ数据，被试年龄为１９ ８０岁㊂在数据预处理中，共有３６名被试（８名男性和２８名女性）因头动幅度较大而被排除㊂最终，共有４５８人（１７９名男性和２７９名女性）参与本研究㊂该数据集得到了西南大学脑成像中心研究伦理委员会的批准，数据收集也获得了所有参与者的书面知情同意㊂实验中，要求被试静躺㊁闭眼㊁不进行特定思考且不能入睡㊂其中，ｒｓ⁃ｆＭＲＩ扫描参数如下：ｒｅｐｅｔｉｔｉｏｎｔｉｍｅ＝２０００ｍｓ；ｅｃｈｏｔｉｍｅ＝３０ｍｓ；ｆｌｉｐａｎｇｌｅ＝９０ʎ；ｆｉｅｌｄｏｆｖｉｅｗ＝２２０ｍｍˑ２２０ｍｍ；ｔｈｉｃｋｎｅｓｓ＝３ｍｍ；ｓｌｉｃｅｇａｐ＝１ｍｍ；ｖｏｘｅｌｓｉｚｅ＝３ ４ｍｍˑ３ ４ｍｍˑ４ｍｍ；ｔｉｍｅｐｏｉｎｔｓ＝２４２㊂Ｔ１结构像扫描参数如下：ｒｅｐｅｔｉｔｉｏｎｔｉｍｅ＝１９００ｍｓ；ｅｃｈｏｔｉｍｅ＝２ ５２ｍｓ；ｉｎｖｅｒｓｉｏｎｔｉｍｅ＝９００ｍｓ；ＦＡ＝９０ʎ；ｒｅｓｏｌｕｔｉｏｎｍａｔｒｉｘ＝２５６ˑ２５６；ｓｌｉｃｅ＝１７６；ｔｈｉｃｋｎｅｓｓ＝１ ０ｍｍ；ｖｏｘｅｌｓｉｚｅ＝１ｍｍˑ１ｍｍˑ１ｍｍ㊂随后，本研究将所有被试分为青年组㊁中年组和老年组，各组被试的年龄跨度和性别分布情况如表１所示㊂表１㊀本研究所用被试的人口学信息Ｔａｂｌｅ１㊀Ｄｅｍｏｇｒａｐｈｉｃｉｎｆｏｒｍａｔｉｏｎｏｆｓｕｂｊｅｃｔｓｕｓｅｄｉｎｔｈｉｓｓｔｕｄｙ年龄组年龄跨度总人数男性女性青年组１９ ４４２１３８５１２８中年组４５ ５９１４２４７９５老年组６０ ８０１０３４７５６１ ２㊀数据预处理和时间序列提取本研究采用ＤＰＡＢＩ工具箱［１５－１６］进行ｒｓ⁃ｆＭＲＩ数据的预处理㊂预处理步骤主要包括：（１）去除前１０个时间点；（２）层间时基校正；（３）头动校正，排除掉平均帧间位移超过０ ２的被试；（４）去除协变量（包括线性漂移㊁白质和脑脊液信号）；（５）使用Ｆｒｉｓｔｏｎ２４模型回归头动的影响；（６）空间标准化；（７）使用４ｍｍ的高斯平滑核进行空间平滑㊂随后，基于脑网络组图谱［１７］，提取了所有被试的全脑时间序列㊂１ ３㊀动态Ｈｕｒｓｔ指数的计算本研究采用重标极差分析法［１８］计算Ｈｕｒｓｔ指数，其算法原理如下：（１）给定一个长度为Ｌ的时间序列Ｘ＝（ｘ１，ｘ２， ，ｘＬ），将其分割为若干等长的离散序列㊂Ｘｍｋ＝（ｘ（ｋ－１）ｍ＋１，ｘ（ｋ－１）ｍ＋２， ，ｘｋｍ）（１）㊀㊀式中：ｍ＝１，２，３， ，Ｍ为每个区间离散序列的长度；Ｍ为分割后离散序列的最大长度；ｋ＝１，２，３， ，ｉｎｔ（Ｌ／ｍ）㊂（２）计算每个区间内的极差和标准差㊂极差计算公式为：Ｒｋ，ｍ＝ｍａｘ ｍｉ（ｘ（ｋ－１）ｍ＋ｉ－ｘｋ）－ｍｉｎ ｍｉ（ｘ（ｋ－１）ｍ＋ｉ－ｘｋ）（２）标准差计算公式为：Ｓｋ，ｍ＝１ｍ ｍｉ（ｘ（ｋ－１）ｍ＋ｉ－ｘｋ）２（３）㊀㊀式中：ｘｋ为每个区间的平均值㊂（３）计算重标极差均值ＲＳæèçöø÷ｍ＝１ｉｎｔ（Ｌ／ｍ） ｉｎｔ（Ｌ／ｍ）ｋ＝１Ｒｋ，ｍＳｋ，ｍ（４）㊀㊀（４）变化不同的ｍ，计算出对应的重标极差值ＲＳæèçöø÷ｍ对ｌｎｍ，ｌｎＲＳæèçöø÷ｍæèçöø÷进行最小二乘拟合出的直线斜率即为时间序列Ｘ的Ｈｕｒｓｔ指数Ｈ㊂Ｈ的范围在０ １之间，Ｈ＞０ ５表示时间序列的持续长程记忆，Ｈ＜０ ５表示反相关时间序列，Ｈ＝０ ５则表示随机白噪声时间序列［１１］㊂为了探究时间序列复杂度的动态变化特性，本研究进一步采用滑动时间窗将时间序列分割为若干个窗口，并在每个滑动窗内采用上述重标极差分析算法计算Ｈｕｒｓｔ指数㊂在滑动时间窗使用中，需要㊃３４４㊃第５期㊀㊀㊀㊀㊀㊀倪黄晶，等：基于动态Ｈｕｒｓｔ指数的人脑老化复杂度分析预设窗长和滑动步长㊂依据文献［１９］的建议，当时间序列长度超过６４个点时，Ｈｕｒｓｔ指数的计算结果是可靠的，因此本研究设置窗口长度为６４个时间点㊁滑动步长为１个时间点㊂据此，每个被试每个脑区的时间序列共包括１６９（即２３２－６４＋１）个滑动窗㊂１ ４㊀基于动态Ｈｕｒｓｔ指数波动序列的统计分析在获取的动态Ｈｕｒｓｔ波动序列基础上，本研究进一步计算了每条波动序列的平均值㊁标准差和变异系数，来衡量动态序列的波动特性，并基于这些动态指标来进行组间统计比较㊂具体说来，本研究使用ＤＰＡＢＩ工具箱内置的统计分析功能模块［２０］，对青年组㊁中年组和老年组三组受试者的动态Ｈｕｒｓｔ波动序列指标进行单因素方差分析，并将性别因素作为协变量，使用基于无阈值聚类增强（ｔｈｒｅｓｈｏｌｄ⁃ｆｒｅｅｃｌｕｓｔｅｒｅｎｈａｎｃｅｍｅｎｔ，ＴＦＣＥ）的置换检验方法［２１］进行多重比较校正㊂置换检验次数设为１０００，校正后的阈值设为０ ０５㊂在得到具有显著差异的脑区后，接着进行事后检验分析，以探究两两之间具有显著差异的群组㊂２㊀实验结果２ １㊀基于动态Ｈｕｒｓｔ波动序列平均值的统计结果基于动态Ｈｕｒｓｔ指数的平均值对三组受试者做单因素方差分析，并使用ＴＦＣＥ方法进行多重比较校正（Ｐ＜０ ０５），结果显示青年组㊁中年组和老年组三组之间在双侧眶回㊁双侧颞上回㊁左侧楔前叶㊁双侧岛回㊁右侧扣带回㊁双侧腹中侧枕叶皮质有显著差异，如图１所示㊂在事后检验分析中，基于上述有显著差异的脑区，本研究进一步对青年组㊁中年组和老年组的动态Ｈｕｒｓｔ指数平均值两两之间进行双样本ｔ检验，并使用基于ＴＦＣＥ的置换检验方法进行多重比较校正，结果如图２所示㊂从图２中可以发现，青年组和中年组动态Ｈｕｒｓｔ指数平均值有显著差异的脑区主要位于双侧眶回㊁双侧颞上回㊁左侧楔前叶和右侧扣带回，其中在双侧颞上回和右侧扣带回区域，青年组的动态Ｈｕｒｓｔ指数平均值显著大于中年组，而在双侧眶回和左侧楔前叶区域，青年组的动态Ｈｕｒｓｔ指数平均值显著小于中年组㊂中年组和老年组动态Ｈｕｒｓｔ指数平均值有显著差异的脑区主要位于双侧颞上回和右侧岛回，且在这些区域中，中年组的动态Ｈｕｒｓｔ指数平均图１㊀青年㊁中年㊁老年三组被试之间动态Ｈｕｒｓｔ指数平均值有显著差异的脑区分布图Ｆｉｇｕｒｅ１㊀Ｂｒａｉｎａｒｅａｄｉｓｔｒｉｂｕｔｉｏｎｍａｐｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓａｍｏｎｇｔｈｅｙｏｕｎｇ，ｍｉｄｄｌｅ⁃ａｇｅｄａｎｄｅｌｄｅｒｌｙｇｒｏｕｐｓｕｓｉｎｇｔｈｅｍｅａｎｖａｌｕｅｏｆｄｙｎａｍｉｃＨｕｒｓｔ值均大于老年组㊂此外，青年组和老年组动态Ｈｕｒｓｔ指数平均值存在显著差异的脑区位于双侧颞上回㊁左侧楔前叶㊁双侧岛回㊁右侧扣带回和双侧腹中侧枕叶皮质㊂其中在双侧颞上回㊁双侧岛回㊁右侧扣带回和双侧腹中侧枕叶皮质区域，青年组的动态Ｈｕｒｓｔ指数平均值均显著大于老年组；而只有在左侧楔前叶区域，青年组的动态Ｈｕｒｓｔ指数平均值则显著小于老年组㊂２ ２㊀基于动态Ｈｕｒｓｔ波动序列标准差的统计结果基于动态Ｈｕｒｓｔ指数的标准差对３组受试者进行单因素方差分析，并使用基于ＴＦＣＥ的置换检验方法进行多重比较校正后，发现青年组㊁中年组和老年组之间存在显著差异的脑区为右侧楔前叶（Ｆ＝８ ２４，ＴＦＣＥ校正Ｐ＝０ ０２６６），其脑区分布如图３所示㊂事后检验分析结果显示，青年组和中年组之间无显著差异，而中年组和老年组在右侧楔前叶存在显著差异（ｔ＝－３ ８４，ＴＦＣＥ校正Ｐ＝０ ００２），青年组和老年组也在该区域存在显著差异（ｔ＝－３ ３５，ＴＦＣＥ校正Ｐ＝０ ００１）㊂２ ３㊀基于动态Ｈｕｒｓｔ波动序列变异系数的统计结果基于动态Ｈｕｒｓｔ指数的变异系数对３组受试者做单因素方差分析，使用基于ＴＦＣＥ的置换检验方法进行多重比较校正，结果显示青年组㊁中年组和老年组３组之间存在显著差异的脑区位于右侧楔前叶㊃４４４㊃北京生物医学工程㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４２卷青年组㊁中年组和老年组的动态Ｈｕｒｓｔ指数平均值分别以绿色㊁蓝色和黄色柱状图表示，柱状图顶端的误差棒表示各群组上动态Ｈｕｒｓｔ指数平均值的标准误㊂事后检验分析中，青年组与中年组之间存在显著差异的脑区在该图顶端使用绿色跨度线囊括，而中年组和老年组之间㊁青年组和老年组之间均以蓝色和黄色跨度线囊括㊂Ｐ＜０ ０５以 ∗ 表示，Ｐ＜０ ０１以 ∗∗ 表示，Ｐ＜０ ００１以 ∗∗∗ 表示㊂此外，横坐标中具有显著差异的脑区分别属于不同的脑回区域，该图中以不同颜色的底纹加以区分，并在相应的颜色底纹上标注了所属的脑回名称图２㊀基于动态Ｈｕｒｓｔ指数平均值的事后检验分析Ｆｉｇｕｒｅ２㊀Ｐｏｓｔ⁃ｈｏｃａｎａｌｙｓｉｓｒｅｓｕｌｔｓｏｎｔｈｅｍｅａｎｖａｌｕｅｏｆｄｙｎａｍｉｃＨｕｒｓｔ图３㊀青年㊁中年㊁老年三组之间动态Ｈｕｒｓｔ指数标准差有显著差异的脑区Ｆｉｇｕｒｅ３㊀Ｂｒａｉｎａｒｅａｄｉｓｔｒｉｂｕｔｉｏｎｍａｐｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓａｍｏｎｇｔｈｅｙｏｕｎｇ，ｍｉｄｄｌｅ⁃ａｇｅｄａｎｄｅｌｄｅｒｌｙｇｒｏｕｐｓｕｓｉｎｇｔｈｅｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎｏｆｄｙｎａｍｉｃＨｕｒｓｔ（Ｆ＝９ ６０，ＴＦＣＥ校正Ｐ＝０ ００９４），其脑区分布如图４所示㊂此外，事后检验分析结果显示，在右侧楔前叶区域，存在显著差异的组别分别为中年组和老年组（ｔ＝－４ ０２，ＴＦＣＥ校正后Ｐ＝０ ０００２），以及青年组和老年组（ｔ＝－３ ４９，ＴＦＣＥ校正后Ｐ＝０ ００１）㊂３㊀讨论本研究基于年龄在１９ ８０岁之间的４５８名健康受试者全脑动态Ｈｕｒｓｔ指数的平均值㊁标准差和变异系数特征，分析不同年龄段人脑的动态复杂度水平和波动程度的群组差异，发现人脑老化过程中全脑各区域复杂度的动态变化模式并不一致，且在局部脑区上存在不同的组间统计显著差异模式㊂基于动态Ｈｕｒｓｔ指数平均值的结果表明，人脑双侧颞上回㊁双侧岛回㊁右侧扣带回和双侧腹中侧枕叶皮质的复杂度随年龄增长而降低，双侧眶回和左侧楔前叶的复杂度随年龄的增长而呈现倒Ｕ形的变化㊂通过对动态Ｈｕｒｓｔ指数标准差和变异系数的统计比较，发现老年组的右侧楔前叶的动态复杂度的变异程度显著大于青年组和中年组㊂动态Ｈｕｒｓｔ指数的平均值可用于表征ｒｓ⁃ｆＭＲＩ㊃５４４㊃第５期㊀㊀㊀㊀㊀㊀倪黄晶，等：基于动态Ｈｕｒｓｔ指数的人脑老化复杂度分析图４㊀青年㊁中年㊁老年三组之间动态Ｈｕｒｓｔ指数变异系数有显著差异的脑区Ｆｉｇｕｒｅ４㊀Ｂｒａｉｎａｒｅａｄｉｓｔｒｉｂｕｔｉｏｎｍａｐｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓａｍｏｎｇｔｈｅｙｏｕｎｇ，ｍｉｄｄｌｅ⁃ａｇｅｄａｎｄｅｌｄｅｒｌｙｇｒｏｕｐｓｕｓｉｎｇｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｒｉａｔｉｏｎｏｆｄｙｎａｍｉｃＨｕｒｓｔ信号的动态复杂度水平，其所得结果与Ｄｏｎｇ等［６］的研究结果基本一致，这说明动态Ｈｕｒｓｔ指数可用于描述ｒｓ⁃ｆＭＲＩ信号的复杂度㊂随着年龄的增长，人脑各脑区的动态复杂度水平有增加或降低的趋势，这可能会导致个体随着年龄变化的认知水平和情绪控制等能力发生变化㊂在所探测出的具有显著群组差异的脑区中，颞上回的亚区数量最多㊂既往研究表明，颞上回是人脑听觉网络的重要区域，在语言的解释和产生［２２］㊁从语音输入中提取有意义的语言特征等功能方面有重要作用［２３］㊂既往研究［２４－２５］表明，老年人的语言理解能力基本能够保持，而听觉能力会有所下降，而大脑语言理解功能会增强进而补偿听觉的下降，这与本研究中观察到颞上回亚区的复杂度随年龄增加而出现线性下降或倒Ｕ形下降的现象相一致㊂此外，枕叶皮质主要负责视觉处理功能［２６］，本研究中发现腹中侧枕叶皮质的亚区呈线性下降的趋势，这与先前研究中报道的老年人群体的视觉功能会由于年龄增长而出现衰退的现象［２７］相吻合㊂此外，岛回作为警醒网络的核心脑区，在运动㊁情感和认知功能之间的相互作用等方面起着重要作用［２８］㊂青年㊁中年和老年３组被试在岛回亚区上随年龄增长而表现出线性下降的趋势，这可能与人脑老化过程中的认知功能衰退有关㊂变异系数是概率分布离散程度的归一化度量，是衡量数据中各观测值变异程度的统计量，其数值为标准差与平均值之比㊂本研究对动态Ｈｕｒｓｔ指数的标准差和变异系数进行了组间统计比较，结果显示老年组的右侧楔前叶的动态Ｈｕｒｓｔ指数的标准差和变异系数均显著大于青年组和中年组，而青年组和中年组之间无显著差异，据此可以推测在此脑区青年时期到中年时期没有明显的衰老，而中年时期到老年时期出现了显著的衰老，老年时期右侧楔前叶的动态波动离散程度显著变大㊂考虑到楔前叶与许多高水平的认知功能有关［２９－３１］，并且该脑区所属的默认网络也被认为是脑老化过程中受破坏最严重的网络［３２］，因此该结果也提示了楔前叶区域在人脑老化研究中需要被重点关注㊂此外，本研究也存在如下局限性㊂首先，本研究使用的数据为横向静息态功能磁共振成像数据集，不同受试者之间的个体差异可能会影响最终的统计结果㊂考虑到对于同一被试在整个生命周期中的多次纵向数据采集的现实性不强，在未来的研究中采用Ｔｈｏｍｐｓｏｎ等［３３］研究者提出的被试多队列纵向设计也许是解决该问题的一个折中方案㊂其次，本研究只研究了大脑功能随年龄的变化情况，在未来的研究中可以整合脑结构信息，以对人脑的老化规律有一个更全面清晰的理解㊂４㊀结论本研究对４５８名１９ ８０岁的受试者静息态ｆＭＲＩ信号的动态Ｈｕｒｓｔ指数的平均值㊁标准差和变异系数进行了分组统计比较，结果显示双侧颞上回㊁双侧岛回㊁右侧扣带回和双侧腹中侧枕叶皮质的复杂度随年龄增长而增加，左侧楔前叶的复杂度随年龄的增长而降低；老年组的楔前叶的动态复杂度的波动程度显著大于青年组和中年组，而青年组和中年组之间无显著差异㊂本研究有助于增进对脑老化功能机制的理解㊂参考文献［１］㊀ＢｏｏｋｈｅｉｍｅｒＳＹ，ＳａｌａｔＤＨ，ＴｅｒｐｓｔｒａＭ，ｅｔａｌ．Ｔｈｅｌｉｆｅｓｐａｎｈｕｍａｎｃｏｎｎｅｃｔｏｍｅｐｒｏｊｅｃｔｉｎａｇｉｎｇ：ａｎｏｖｅｒｖｉｅｗ［Ｊ］．ＮｅｕｒｏＩｍａｇｅ，２０１９，１８５：３３５－３４８．［２］㊀ＣｈｅｒｙｌＧ．Ｔｈｅｃｏｇｎｉｔｉｖｅｎｅｕｒｏｓｃｉｅｎｃｅｏｆａｇｅｉｎｇ［Ｊ］．ＮａｔｕｒｅＲｅｖｉｅｗｓＮｅｕｒｏｓｃｉｅｎｃｅ，２０１２，１３（７）：４９１－５０５．［３］㊀ＹａｎｇＡＣ，ＨｕａｎｇＣＣ，ＹｅｈＨＬ，ｅｔａｌ．ＣｏｍｐｌｅｘｉｔｙｏｆｓｐｏｎｔａｎｅｏｕｓＢＯＬＤａｃｔｉｖｉｔｙｉｎｄｅｆａｕｌｔｍｏｄｅｎｅｔｗｏｒｋｉｓｃｏｒｒｅｌａｔｅｄｗｉｔｈｃｏｇｎｉｔｉｖｅ㊃６４４㊃北京生物医学工程㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４２卷ｆｕｎｃｔｉｏｎｉｎｎｏｒｍａｌｍａｌｅｅｌｄｅｒｌｙ：ａｍｕｌｔｉｓｃａｌｅｅｎｔｒｏｐｙａｎａｌｙｓｉｓ［Ｊ］．ＮｅｕｒｏｂｉｏｌｏｇｙｏｆＡｇｉｎｇ，２０１３，３４（２）：４２８－４３８．［４］㊀ＳｏｋｕｎｂｉＭＯ，ＣａｍｅｒｏｎＧＧ，ＡｈｅａｒｎＴＳ，ｅｔａｌ．ＦｕｚｚｙａｐｐｒｏｘｉｍａｔｅｅｎｔｒｏｐｙａｎａｌｙｓｉｓｏｆｒｅｓｔｉｎｇｓｔａｔｅｆＭＲＩｓｉｇｎａｌｃｏｍｐｌｅｘｉｔｙａｃｒｏｓｓｔｈｅａｄｕｌｔｌｉｆｅｓｐａｎ［Ｊ］．ＭｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ＆Ｐｈｙｓｉｃｓ，２０１５，３７（１１）：１０８２－１０９０．［５］㊀ＣｉｅｒｉＦ，ＺｈｕａｎｇＸＷ，ＣａｌｄｗｅｌｌＪＺＫ，ｅｔａｌ．Ｂｒａｉｎｅｎｔｒｏｐｙｄｕｒｉｎｇａｇｉｎｇｔｈｒｏｕｇｈａｆｒｅｅｅｎｅｒｇｙｐｒｉｎｃｉｐｌｅａｐｐｒｏａｃｈ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＨｕｍａｎＮｅｕｒｏｓｃｉｅｎｃｅ，２０２１，１５：６４７５１３．［６］㊀ＤｏｎｇＪＸ，ＪｉｎｇＢ，ＭａＸＹ，ｅｔａｌ．ＨｕｒｓｔＥｘｐｏｎｅｎｔＡｎａｌｙｓｉｓｏｆＲｅｓｔｉｎｇ⁃ＳｔａｔｅｆＭＲＩＳｉｇｎａｌＣｏｍｐｌｅｘｉｔｙａｃｒｏｓｓｔｈｅＡｄｕｌｔＬｉｆｅｓｐａｎ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＮｅｕｒｏｓｃｉｅｎｃｅ，２０１８，１２：３４．［７］㊀ＷｉｎｋＡＭ，ＢｅｒｎａｒｄＦ，ＳａｌｖａｄｏｒＲ，ｅｔａｌ．Ａｇｅａｎｄｃｈｏｌｉｎｅｒｇｉｃｅｆｆｅｃｔｓｏｎｈｅｍｏｄｙｎａｍｉｃｓａｎｄｆｕｎｃｔｉｏｎａｌｃｏｈｅｒｅｎｃｅｏｆｈｕｍａｎｈｉｐｐｏｃａｍｐｕｓ［Ｊ］．ＮｅｕｒｏｂｉｏｌｏｇｙｏｆＡｇｉｎｇ，２００６，２７（１０）：１３９５－１４０４．［８］㊀ＬｏｎｇＺＱ，ＪｉｎｇＢ，ＧｕｏＲ，ｅｔａｌ．ＡｂｒａｉｎｎｅｔｏｍｅａｔｌａｓｂａｓｅｄｍｉｌｄｃｏｇｎｉｔｉｖｅｉｍｐａｉｒｍｅｎｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｕｓｉｎｇＨｕｒｓｔｅｘｐｏｎｅｎｔ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＡｇｉｎｇＮｅｕｒｏｓｃｉｅｎｃｅ，２０１８，１０：１０３．［９］㊀ＳｏｋｕｎｂｉＭＯ，ＧｒａｄｉｎＶＢ，ＷａｉｔｅｒＧＤ，ｅｔａｌ．ＮｏｎｌｉｎｅａｒｃｏｍｐｌｅｘｉｔｙａｎａｌｙｓｉｓｏｆｂｒａｉｎＦＭＲＩｓｉｇｎａｌｓｉｎｓｃｈｉｚｏｐｈｒｅｎｉａ［Ｊ］．ＰＬｏＳＯＮＥ，２０１４，９（５）：ｅ９５１４６．［１０］㊀ＰｒｅｔｚｓｃｈＣＭ，ＦｌｏｒｉｓＤＬ．Ｂａｌａｎｃｉｎｇｅｘｃｉｔａｔｉｏｎａｎｄｉｎｈｉｂｉｔｉｏｎｉｎｔｈｅａｕｔｉｓｔｉｃｂｒａｉｎ［Ｊ］．ｅＬｉｆｅ，２０２０，９：ｅ６０５８４．［１１］㊀ＧｅｎｔｉｌｉＣ，ＶａｎｅｌｌｏＮ，ＣｒｉｓｔｅａＩ，ｅｔａｌ．Ｐｒｏｎｅｎｅｓｓｔｏｓｏｃｉａｌａｎｘｉｅｔｙｍｏｄｕｌａｔｅｓｎｅｕｒａｌｃｏｍｐｌｅｘｉｔｙｉｎｔｈｅａｂｓｅｎｃｅｏｆｅｘｐｏｓｕｒｅ：ＡｒｅｓｔｉｎｇｓｔａｔｅｆＭＲＩｓｔｕｄｙｕｓｉｎｇＨｕｒｓｔｅｘｐｏｎｅｎｔ［Ｊ］．Ｐｓｙｃｈｉａｔｒｙｒｅｓｅａｒｃｈ，２０１５，２３２（２）：１３５－１４４．［１２］㊀ＷｅｉＭＢ，ＱｉｎＪＬ，ＹａｎＲ，ｅｔａｌ．ＩｄｅｎｔｉｆｙｉｎｇｍａｊｏｒｄｅｐｒｅｓｓｉｖｅｄｉｓｏｒｄｅｒｕｓｉｎｇＨｕｒｓｔｅｘｐｏｎｅｎｔｏｆｒｅｓｔｉｎｇ⁃ｓｔａｔｅｂｒａｉｎｎｅｔｗｏｒｋｓ［Ｊ］．ＰｓｙｃｈｉａｔｒｙＲｅｓｅａｒｃｈ：Ｎｅｕｒｏｉｍａｇｉｎｇ，２０１３，２１４（３）：３０６－３１２．［１３］㊀ＰｒｅｔｉＭＧ，ＢｏｌｔｏｎＴＡ，ＶｉｌｌｅＤＶＤ．Ｔｈｅｄｙｎａｍｉｃｆｕｎｃｔｉｏｎａｌｃｏｎｎｅｃｔｏｍｅ：ｓｔａｔｅ⁃ｏｆ⁃ｔｈｅ⁃ａｒｔａｎｄｐｅｒｓｐｅｃｔｉｖｅｓ［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１６，１６０：４１－５４．［１４］㊀ＷｅｉＤＴ，ＺｈｕａｎｇＫＸ，ＡｉＬ，ｅｔａｌ．Ｓｔｒｕｃｔｕｒａｌａｎｄｆｕｎｃｔｉｏｎａｌｂｒａｉｎｓｃａｎｓｆｒｏｍｔｈｅｃｒｏｓｓ⁃ｓｅｃｔｉｏｎａｌＳｏｕｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙａｄｕｌｔｌｉｆｅｓｐａｎｄａｔａｓｅｔ［Ｊ］．ＳｃｉｅｎｔｉｆｉｃＤａｔａ，２０１８，５：１８０１３４．［１５］㊀ＹａｎＣＧ，ＺａｎｇＹＦ．ＤＰＡＲＳＦ：ａＭＡＴＬＡＢｔｏｏｌｂｏｘｆｏｒ ｐｉｐｅｌｉｎｅ ｄａｔａａｎａｌｙｓｉｓｏｆｒｅｓｔｉｎｇ⁃ｓｔａｔｅｆＭＲＩ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＳｙｓｔｅｍｓＮｅｕｒｏｓｃｉｅｎｃｅ，２０１０，４（１３）：１３．［１６］㊀ＹａｎＣＧ，ＷａｎｇＸＤ，ＺｕｏＸＮ，ｅｔａｌ．ＤＰＡＢＩ：ｄａｔａｐｒｏｃｅｓｓｉｎｇ＆ａｎａｌｙｓｉｓｆｏｒ（ｒｅｓｔｉｎｇ⁃ｓｔａｔｅ）ｂｒａｉｎｉｍａｇｉｎｇ［Ｊ］．Ｎｅｕｒｏｉｎｆｏｒｍａｔｉｃｓ，２０１６，１４（３）：３３９－３５１．［１７］㊀ＦａｎＬＺ，ＬｉＨ，ＺｈｕｏＪＪ，ｅｔａｌ．Ｔｈｅｈｕｍａｎｂｒａｉｎｎｅｔｏｍｅａｔｌａｓ：ａｎｅｗｂｒａｉｎａｔｌａｓｂａｓｅｄｏｎｃｏｎｎｅｃｔｉｏｎａｌａｒｃｈｉｔｅｃｔｕｒｅ［Ｊ］．ＣｅｒｅｂｒａｌＣｏｒｔｅｘ，２０１６：２６（８）：３５０８－３５２６．［１８］㊀ＨｕｒｓｔＨＥ．Ｌｏｎｇ⁃ｔｅｒｍｓｔｏｒａｇｅｃａｐａｃｉｔｙｏｆｒｅｓｅｒｖｏｉｒｓ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＡｍｅｒｉｃａｎＳｏｃｉｅｔｙｏｆＣｉｖｉｌＥｎｇｉｎｅｅｒｓ，１９５１，１１６（１）：７７０－７９９．［１９］㊀ＤｅｌｉｇｎｉｅｒｅｓＤ，ＲａｍｄａｎｉＳ，ＬｅｍｏｉｎｅＬＣ，ｅｔａｌ．Ｆｒａｃｔａｌａｎａｌｙｓｅｓｆｏｒ ｓｈｏｒｔ ｔｉｍｅｓｅｒｉｅｓ：ａｒｅ⁃ａｓｓｅｓｓｍｅｎｔｏｆｃｌａｓｓｉｃａｌｍｅｔｈｏｄｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＭａｔｈｅｍａｔｉｃａｌＰｓｙｃｈｏｌｏｇｙ，２００６，５０（６）：５２５－５４４．［２０］㊀ＣｈｅｎＸ，ＬｕＢ，ＹａｎＣＧ．ＲｅｐｒｏｄｕｃｉｂｉｌｉｔｙｏｆＲ⁃ｆＭＲＩｍｅｔｒｉｃｓｏｎｔｈｅｉｍｐａｃｔｏｆｄｉｆｆｅｒｅｎｔｓｔｒａｔｅｇｉｅｓｆｏｒｍｕｌｔｉｐｌｅｃｏｍｐａｒｉｓｏｎｃｏｒｒｅｃｔｉｏｎａｎｄｓａｍｐｌｅｓｉｚｅｓ［Ｊ］．ＨｕｍａｎＢｒａｉｎＭａｐｐｉｎｇ，２０１７，３９（１）：３００－３１８．［２１］㊀ＷｉｎｋｌｅｒＡＭ，ＲｉｄｇｗａｙＧＲ，ＤｏｕａｕｄＧ，ｅｔａｌ．Ｆａｓｔｅｒｐｅｒｍｕｔａｔｉｏｎｉｎｆｅｒｅｎｃｅｉｎｂｒａｉｎｉｍａｇｉｎｇ［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１６，１４１：５０２－５１６．［２２］㊀ＰｅａｒｌｓｏｎＧＤ．Ｓｕｐｅｒｉｏｒｔｅｍｐｏｒａｌｇｙｒｕｓａｎｄｐｌａｎｕｍｔｅｍｐｏｒａｌｅｉｎｓｃｈｉｚｏｐｈｒｅｎｉａ：ａｓｅｌｅｃｔｉｖｅｒｅｖｉｅｗ［Ｊ］．Ｐｒｏｇｒｅｓｓｉｎｎｅｕｒｏ⁃ｐｓｙｃｈｏｐｈａｒｍａｃｏｌｏｇｙａｎｄｂｉｏｌｏｇｉｃａｌｐｓｙｃｈｉａｔｒｙ，１９９７，２１（８）：１２０３－１２２９．［２３］㊀ＹｉＨＧ，ＬｅｏｎａｒｄＭＫ，ＣｈａｎｇＥＦ．Ｔｈｅｅｎｃｏｄｉｎｇｏｆｓｐｅｅｃｈｓｏｕｎｄｓｉｎｔｈｅｓｕｐｅｒｉｏｒｔｅｍｐｏｒａｌｇｙｒｕｓ［Ｊ］．Ｎｅｕｒｏｎ，２０１９，１０２（６）：１０９６－１１１０．［２４］㊀ＰｅｅｌｌｅＪＥ，ＴｒｏｉａｎｉＶ，ＷｉｎｇｆｉｅｌｄＡ，ｅｔａｌ．Ｎｅｕｒａｌｐｒｏｃｅｓｓｉｎｇｄｕｒｉｎｇｏｌｄｅｒａｄｕｌｔｓ ｃｏｍｐｒｅｈｅｎｓｉｏｎｏｆｓｐｏｋｅｎｓｅｎｔｅｎｃｅｓ：Ａｇｅｄｉｆｆｅｒｅｎｃｅｓｉｎｒｅｓｏｕｒｃｅａｌｌｏｃａｔｉｏｎａｎｄｃｏｎｎｅｃｔｉｖｉｔｙ［Ｊ］．ＣｅｒｅｂｒａｌＣｏｒｔｅｘ，２０１０，２０（４）：７７３－７８２．［２５］㊀ＰｅｅｌｌｅＪＥ，ＷｉｎｇｆｉｅｌｄＡ．Ｔｈｅｎｅｕｒａｌｃｏｎｓｅｑｕｅｎｃｅｓｏｆａｇｅ⁃ｒｅｌａｔｅｄｈｅａｒｉｎｇｌｏｓｓ［Ｊ］．ＴｒｅｎｄｓｉｎＮｅｕｒｏｓｃｉｅｎｃｅｓ，２０１６，３９（７）：４８６－４９７．［２６］㊀ＨａｎｓｅｎＨＤ，ＬｉｎｄｂｅｒｇＵ，ＯｚｅｎｎｅＢ，ｅｔａｌ．Ｖｉｓｕａｌｓｔｉｍｕｌｉｉｎｄｕｃｅｓｅｒｏｔｏｎｉｎｒｅｌｅａｓｅｉｎｏｃｃｉｐｉｔａｌｃｏｒｔｅｘ：Ａｓｉｍｕｌｔａｎｅｏｕｓｐｏｓｉｔｒｏｎｅｍｉｓｓｉｏｎｔｏｍｏｇｒａｐｈｙ／ｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｉｎｇｓｔｕｄｙ［Ｊ］．ＨｕｍａｎＢｒａｉｎＭａｐｐｉｎｇ，２０２０，４１（１６）：４７５３－４７６３．［２７］㊀ＯｗｓｌｅｙＣ．Ｖｉｓｉｏｎａｎｄａｇｉｎｇ［Ｊ］．ＡｎｎｕａｌＲｅｖｉｅｗｏｆＶｉｓｉｏｎＳｃｉｅｎｃｅ，２０１６，２：２５５－２７１．［２８］㊀ＣｈｒｉｓｔｉａｎＭ，ＦｅｌｉｘＨ，ＪｕｌｉａｎＣ，ｅｔａｌ．Ａｎａｇｅ⁃ｒｅｌａｔｅｄｓｈｉｆｔｏｆｒｅｓｔｉｎｇ⁃ｓｔａｔｅｆｕｎｃｔｉｏｎａｌｃｏｎｎｅｃｔｉｖｉｔｙｏｆｔｈｅｓｕｂｔｈａｌａｍｉｃｎｕｃｌｅｕｓ：ａｐｏｔｅｎｔｉａｌｍｅｃｈａｎｉｓｍｆｏｒｃｏｍｐｅｎｓａｔｉｎｇｍｏｔｏｒｐｅｒｆｏｒｍａｎｃｅｄｅｃｌｉｎｅｉｎｏｌｄｅｒａｄｕｌｔｓ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＡｇｉｎｇＮｅｕｒｏｓｃｉｅｎｃｅ，２０１４，６：１７８．［２９］㊀ＬｉＹＱ，ＬｏｎｇＪＹ，ＨｕａｎｇＢ，ｅｔａｌ．Ｃｒｏｓｓｍｏｄａｌｉｎｔｅｇｒａｔｉｏｎｅｎｈａｎｃｅｓｎｅｕｒａｌｒｅｐｒｅｓｅｎｔａｔｉｏｎｏｆｔａｓｋ⁃ｒｅｌｅｖａｎｔｆｅａｔｕｒｅｓｉｎａｕｄｉｏｖｉｓｕａｌｆａｃｅｐｅｒｃｅｐｔｉｏｎ［Ｊ］．ＣｅｒｅｂｒａｌＣｏｒｔｅｘ，２０１５，２５（２）：３８４－３９５．［３０］㊀ＶａｎｌｉｅｒｄｅＡ，ＤｅＶｏｌｄｅｒＡＧ，Ｗａｎｅｔ⁃ＤｅｆａｌｑｕｅＭ，ｅｔａｌ．Ｏｃｃｉｐｉｔｏ⁃ｐａｒｉｅｔａｌｃｏｒｔｅｘａｃｔｉｖａｔｉｏｎｄｕｒｉｎｇｖｉｓｕｏ⁃ｓｐａｔｉａｌｉｍａｇｅｒｙｉｎｅａｒｌｙｂｌｉｎｄｈｕｍａｎｓ［Ｊ］．ＮｅｕｒｏＩｍａｇｅ，２００３，１９（３）：６９８－７０９．［３１］㊀ＬｕｎｄｓｔｒｏｍＢＮ，ＩｎｇｖａｒＭ，ＰｅｔｅｒｓｓｏｎＫＭ．Ｔｈｅｒｏｌｅｏｆｐｒｅｃｕｎｅｕｓａｎｄｌｅｆｔｉｎｆｅｒｉｏｒｆｒｏｎｔａｌｃｏｒｔｅｘｄｕｒｉｎｇｓｏｕｒｃｅｍｅｍｏｒｙｅｐｉｓｏｄｉｃｒｅｔｒｉｅｖａｌ［Ｊ］．ＮｅｕｒｏＩｍａｇｅ，２００５，２７（４）：８２４－８３４．［３２］㊀Ａｎｄｒｅｗｓ⁃ＨａｎｎａＪＲ，ＳｎｙｄｅｒＡＺ，ＶｉｎｃｅｎｔＪＬ，ｅｔａｌ．Ｄｉｓｒｕｐｔｉｏｎｏｆｌａｒｇｅ⁃ｓｃａｌｅｂｒａｉｎｓｙｓｔｅｍｓｉｎａｄｖａｎｃｅｄａｇｉｎｇ［Ｊ］．Ｎｅｕｒｏｎ，２００７，５６（５）：９２４－９３５．［３３］㊀ＴｈｏｍｐｓｏｎＷＫ，ＨａｌｌｍａｙｅｒＪ，Ｏ ＨａｒａＲ．Ｄｅｓｉｇｎｃｏｎｓｉｄｅｒａｔｉｏｎｓｆｏｒｃｈａｒａｃｔｅｒｉｚｉｎｇｐｓｙｃｈｉａｔｒｉｃｔｒａｊｅｃｔｏｒｉｅｓａｃｒｏｓｓｔｈｅｌｉｆｅｓｐａｎ：ａｐｐｌｉｃａｔｉｏｎｔｏｅｆｆｅｃｔｓｏｆＡＰＯＥ⁃ｅｐｓｉｌｏｎ４ｏｎｃｅｒｅｂｒａｌｃｏｒｔｉｃａｌｔｈｉｃｋｎｅｓｓｉｎＡｌｚｈｅｉｍｅｒ ｓｄｉｓｅａｓｅ［Ｊ］．ＴｈｅＡｍｅｒｉｃａｎＪｏｕｒｎａｌｏｆＰｓｙｃｈｉａｔｒｙ，２０１１，１６８（９）：８９４－９０３．（２０２１－１２－２０收稿，２０２２－０４－２４修回）㊃７４４㊃第５期㊀㊀㊀㊀㊀㊀倪黄晶，等：基于动态Ｈｕｒｓｔ指数的人脑老化复杂度分析。
多尺度卷积与注意力机制的脑电信号识别研究
现代电子技术Modern Electronics Technique2023年12月1日第46卷第23期Dec. 2023Vol. 46 No. 230 引 言脑⁃机接口技术（Brain⁃Computer Interface, BCI ）提供了一种新型的脑信息传输渠道，将大脑活动产生的电信号转化为特定的计算机信号，来揭示人脑活动的内部机理[1]，辅助残障患者、老年人和运动行为受限患者控制轮椅等外部设备[2]，具有广泛的医学应用前景。
基于运动想象（Motor Imagery, MI ）的BCI 是脑⁃机科学研究中广泛使用的范式之一，其主要优势在于能够使用非侵入式的脑电信号采集设备记录神经元兴奋产生的脑电活动，对受试者来说更加安全和舒适，同时运动想象脑电信号只通过想象活动产生，没有任何额外刺激，与脑神经活动的本质关联性强于稳态视觉诱发电位[3]（Steady ⁃state Visually Evoked Potential, SSVEP ）和P300[4]等诱发型脑电范式。
当人们执行肢体运动想象时，脑电信号会出现对应的幅值波动[5]，具体表现在大脑DOI ：10.16652/j.issn.1004⁃373x.2023.23.016引用格式：冯泽林，宋耀莲.多尺度卷积与注意力机制的脑电信号识别研究[J].现代电子技术，2023，46（23）：85⁃92.多尺度卷积与注意力机制的脑电信号识别研究冯泽林， 宋耀莲（昆明理工大学 信息工程与自动化学院， 云南 昆明 650500）摘 要： 基于运动想象的脑机接口技术可以使大脑绕过中枢和外周神经，在人脑和外部电子设备之间构建直连通路，帮助运动受限人群直接与外界进行交互。
由于运动想象脑电信号具有信噪比和空间分辨率较低的特性，导致解码效率较低，文中提出一种基于注意力机制的解码运动想象脑电信号的深度学习模型MSATCNet 。
首先原始脑电信号通过并行多尺度卷积神经网络提取全局特征和局部特征并加以融合，通过多头注意力机制模块突出融合后的重要特征，最后由时间卷积网络（TCN ）提取时序信息，全连接层和Softmax 层对提取后的特征进行学习和分类。
基于单通道脑电信号的自动睡眠分期
后利 用小波 变换算法提取 各睡眠阶段节律波的相对能量均值作 为第一部 分特征参数 ， 并添加 多尺度 熵算法分析各睡
眠阶段 的复杂度特征 ， 选取 ９～１ ３尺度的 多尺度熵值作为第二部分的特征参数 。将所有 的特征参数输入到反馈传播
神 经 网络 分 类 器 中 实 现 睡 眠 阶 段 的 自动 识 别 分 类 。 通 过 实 验 结 果 的 统 计 分 析 ， 该 方 法 的 平 均 分 期 准 确 率 达 到
ｓ ｉ ｎ ｇ ｌ ｅ ｃ ｈ ａ ｎ ｎ ｅ ｌ Ｅ ｌ ｅ ｃ ｔ ｏ Ｅ ｎ ｃ ｅ ｐ ｈ ａ １ ｏ Ｇ ｒ ａ ｍ（ Ｅ Ｅ Ｇ ）ｓ ｉ ｇ ｎ ａ ｌ ｗ ａ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ． Ｔ ｈ ｅ ｄ ａ ｔ ａ ｏ ｆ ｓ ｌ ｅ ｅ ｐ Ｅ Ｅ Ｇ ｍ ｏ ｎ ｉ ｔ ｏ ｉ ｒ ｎ ｇ ａ ｎ ｄ ｔ ｈ ｅ ｅ ｘ ｐ ｅ ￣ｓ ｔ ａ ｇ ｉ ｎ ｇ ｏ ｆ
文章编号 ： １ ０ ０ １ — ９ ０ ８ １ （ ２ ０ １ ７ ） Ｓ ２ — ０ ３ １ ８ － ０ ４
Ｃ ＯＤ ＥＮ Ｊ ＹＩ Ｉ Ｄ Ｕ
ｈ ｔ ｔ ｐ ＂ ／ ／ ｗ ｗ ｗ ． ｊ ｏ ｃ ａ ． ｃ ｎ
基 于 单 通 道 脑 电信 号 的 自动 睡 眠 分 期
基于多尺度样本熵与阈值的语音端点检测
基于多尺度样本熵与阈值的语音端点检测王波;于凤芹【摘要】In order to overcome the defect that sample entropy can be falsely detected due to its sensitivity to the suddenly changing noise,this paper proposes a speech endpoint detection algorithm.This algorithm does the multi-scale transform for the speech signal in the time domain.The sample entropy and threshold of different scales can be calculated.The number of the sample entropy which is greater than the threshold of corresponding scale is counted and compared with the number of total scale to realize speech endpoint detection.Experimental results show that this algorithm can eliminate the mutation noise sensitivity of the sample entropy,and the detection accuracy is well improved in the low Signal Noise Ratio(SNR)conditions,compared with approximate entropy and sample entropy detection algorithms.%针对样本熵对突变噪声敏感导致的误检问题,提出一种改进的语音端点检测算法.该算法在时域采用尺度因子对语音信号进行多尺度变换,计算各尺度下的样本熵和阈值,统计样本熵大于门限阈值的尺度个数并与总尺度个数进行比较,实现语音端点检测.实验结果表明,该算法能够较好地消除样本熵对突变噪声的敏感性,并且与近似熵和样本熵检测算法相比,在低信噪比条件下具有更高的检测准确率.【期刊名称】《计算机工程》【年(卷),期】2016(042)012【总页数】4页(P268-271)【关键词】多尺度样本熵;多尺度变换;语音端点检测;阈值;近似熵【作者】王波;于凤芹【作者单位】江南大学物联网工程学院,江苏无锡 214122;江南大学物联网工程学院,江苏无锡 214122【正文语种】中文【中图分类】TP37语音端点检测是计算机通过语音的声学特征将带噪语音区分为语音段和非语音段的方法,它被广泛应用于语音识别[1]、语音编码[2]、语音传输[3]和语音增强[4]等领域,是语音处理领域的基础。
基于多尺度的人脑磁共振图像模糊分类及可视化方法解读
基于多尺度的人脑磁共振图像模糊分类及可视化方法医学图像三维重建及可视化技术在临床诊治、远程医疗、手术规划及模拟仿真、整形及假肢外科、放射治疗规划、解剖教学等方面都有重要应用。
三维重建方法主要包括面绘制和体绘制两种。
脑部不同物质的准确分类是重构三维大脑的基础,但体绘制方法中体数据的分类问题还没有提出很好的解决方法。
针对这个问题,本文提出了一种基于多尺度连接模型的人脑磁共振图像模糊分类的算法,该算法建立在图像分割结果必须要在尺度内和不同尺度上同时得到优化的基础上。
算法的实现过程如下:首先,对脑MR图像偏场分析,进行灰度不均匀性校正;然后,用非线性扩散连接模型来建立不同尺度间的模糊相似性,再通过非线性扩散连接模型引入新的尺度间的模糊约束,新的约束描述了高尺度和低尺度的模糊连接关系;相应地,定义了两个模糊距离来描述相邻尺度上父子像素和聚类中心的相似性,并引入到模糊聚类算法中;通过组合尺度之间和尺度内的模糊约束,定义了一个新的多分辨模糊聚类框架。
在实验中对正常人和多发性硬化疾病的脑MR图像数据用该方法进行分类并可视化,表明该方法能够准确地分类出脑白质、脑灰质和脑脊液。
和常规的模糊聚类方法相比,该方法对噪声图像和低对比度图像如医学图像,有更好的鲁棒性。
最后用体绘制方法对分类结果进行重建,得到了理想的三维重建结果,证明了该算法的有效性。
同主题文章[1].蔡文立，石教英. 基于输运方程的混合式体绘制模型' [J]. 计算机学报. 1995.(05)[2].马仁安,张二华,杨静宇. 三维地震数据场的快速体绘制方法' [J]. 计算机辅助设计与图形学学报. 2005.(05)[3].黄汉青,唐泽圣. 应用于传递函数设定的交互式体绘制工具' [J]. 计算机学报. 2005.(06)[4].魏峰,王文成,吴恩华. 体绘制中的快速插值方法' [J]. 系统仿真学报. 2001.(S2)[5].任继成,袁晓君,李华,刘慎权. 基于动态数据分布的并行Shear-Warp体绘制算法' [J]. 计算机辅助设计与图形学学报. 2000.(04)[6].彭延军,王元红,郑永果,王翠英. 加速透视投影体绘制技术研究' [J]. 计算机工程与应用. 2004.(23)[7].杨晓松,李云鹏,顾元宪. 基于Slicing的快速有限元网格体绘制算法' [J]. 计算机辅助设计与图形学学报. 2001.(04)[8].岳为,崔永庆. 科学计算可视化中的体绘制技术' [J]. 黑龙江大学自然科学学报. 1997.(01)[9].倪彤光,顾耀林. 基于一种新模型的交互式体绘制算法的研究' [J]. 计算机工程与设计. 2005.(01)[10].徐恭学,李玉忱. 一种优化的光线投射体绘制采样算法' [J]. 厦门大学学报(自然科学版). 1997.(01)【关键词相关文档搜索】：生物医学工程; 多尺度连接模型; 模糊分类; 脑组织提取; 体绘制【作者相关信息搜索】：中南大学;生物医学工程;邓振生;裴红利;。
脑电信号干扰去除方法评估
脑电信号干扰去除方法评估脑电信号（EEG）在神经科学研究、临床诊断以及脑机接口技术等领域具有重要应用价值。
然而，将脑电信号应用于这些领域时，常常面临一种名为干扰的问题，这些干扰信号来自于周围环境、心电信号、肌电信号和眼电信号等。
因此，干扰去除技术成为了脑电信号处理的重要步骤。
为了有效地去除脑电信号中的干扰，研究人员提出了多种方法，并进行了系统的评估。
以下将介绍一些常用的脑电信号干扰去除方法，并对其进行评估。
1. ICA（独立成分分析）：ICA是一种广泛应用的脑电信号去噪方法。
它基于统计分析的原理，通过对脑电数据进行独立成分分析，将混合的信号分解成独立的成分，从而去除干扰信号。
ICA的优点是不需要先验知识，可以自动提取信号，但在信号混合度高或是含有致干扰源时效果不理想。
2. 多通道融合滤波：这种方法通过利用多个感知通道的信息，对信号进行融合滤波，以提高信号的质量。
多通道融合滤波可以通过同步平均法和小波变换等技术实现。
经过滤波后，可以将信号传递到后续的分析过程中。
然而，由于不同通道信号之间的时滞和幅度差异，多通道融合滤波方法可能引入误差。
3. 模型拟合方法：这类方法采用数学模型来描述脑电信号和干扰信号的关系，并通过参数拟合来去除干扰信号。
其中一种常用的方法是AR（自回归）模型，它通过对信号进行自回归分析，自动提取信号的特征，并去除干扰。
然而，模型拟合方法依赖于对信号的先验知识，当干扰信号的特征不明显或变化较大时，效果可能不理想。
4. 时频分析方法：这类方法基于信号的时频特性，通过分析信号在不同频率上的能量分布，将干扰信号和脑电信号进行有效区分。
时频分析方法常用的有短时傅里叶变换（STFT）、连续小波变换（CWT）和自适应滤波技术等。
时频分析方法可以较好地去除干扰信号，但可能在数据处理过程中引入噪声。
在评估脑电信号干扰去除方法时，有几个关键要素需要考虑。
首先是信号质量的评估。
“信号噪声比”是常用的评估指标之一，它表示信号中包含的脑电信号与干扰信号的比例。
多分辨率传感器多尺度融合估计算法
电子质量2022年第01期(总第418期)作者简介院进兵(1982-)，男，工程师，硕士，研究方向飞行控制与仿真。
多分辨率传感器多尺度融合估计算法Multi-Scale Fusion and Estimation Algorithm for Multi-Resolution Sensors进兵(上海航空电器有限公司,上海201101)Jin Bing (Shanghai Aviation Electric Co.,LTD.,Shanghai 201101)摘要：该文在基于信号统计特性的离散小波变换理论(DWT)和基于状态转移模型的动态多尺度系统理论(DMS)的基础上，提出了一种多分辨率传感器的多尺度状态融合估计新算法。
该方法利用离散小波变换，首先对不同分辨率传感器Kalman 滤波模型的状态方程和观测方程分别进行多尺度处理，构建统一的多尺度Kalman 滤波模型，然后将不同分辨率传感器在同一尺度上获得的观测向量融合滤波，获得了优于已有多尺度状态融合估计方法的处理效果。
并利用Monte Carlo 仿真验证了该算法的有效性。
关键词：动态多尺度系统；离散小波变换；状态融合估计；Kalman 滤波中图分类号：TP212文献标识码：A文章编号：1003-0107(2022)01-0004-05Abstract:On the basis of theory of Discrete Wavelet Transform (DWT)of signal statistical characteristics and Dynamic Multi-scale System (DMS)of state transition model,a new algorithm for multi-scale fusion and esti-mation of multi-resolution sensors is derived.In order to construct a uniform resolution model of Kalman Filter,the equations of state and measurement are processed with DWT at different resolution levels,and then the measurements of the same resolution level are fused and filtered.Experimental results indicate that the pro-posed method is more effective than some existing algorithms of multi-scale fusion and estimation.Key words:dynamic multi-scale system;discrete wavelet transform;fusion and estimation;Kalman filter CLC number:TP212Document code:AArticle ID ：1003-0107(2022)01-0004-050引言信息融合是将来自多个传感器的信息进行综合处理，从而获得更为准确、可靠的信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多尺度样本熵对脑信号复杂度评估算法的修正
李筱菁;刘云青;丁颖;孙友然;周薇
【期刊名称】《山东科技大学学报:自然科学版》
【年(卷),期】2023(42)1
【摘要】多尺度样本熵(MSE)算法作为一种时间序列非线性复杂度测量方法,近年来在生物信号分析中得到广泛应用。
针对MSE对不同粗粒化程度数据序列的匹配标准缺少区分度的问题,提出一种修正方法,将序列匹配标准与不同粗粒化程度的数据相对应,以提高MSE对信号复杂度测量的准确度和可解释性。
采用修正前、后的MSE分别对模拟噪声信号和人类脑电信号复杂度进行了计算。
结果表明:修正后的MSE所表征的复杂度更符合白噪声与1/f噪声的物理意义,且对脑电信号在高时间尺度闭眼与睁眼实验条件下的复杂度具有更好的区分效果,复杂度差异存在统计显著性。
【总页数】8页(P110-117)
【作者】李筱菁;刘云青;丁颖;孙友然;周薇
【作者单位】南京特殊教育师范学院中国残疾人数据科学研究院;博西华电器(江苏)有限公司;上海交通大学心理与行为科学研究院;南京邮电大学管理学院;山东科技大学电子信息工程学院
【正文语种】中文
【中图分类】N949
【相关文献】
1.基于样本熵的生物医学信号复杂度分析方法及其优化算法
2.基于样本熵算法的下背痛患者脑电信号分析
3.阿尔茨海默病患者脑血氧信号复杂度的多尺度熵分析
4.采用样本熵自适应噪声完备经验模态分解的脑电信号眼电伪迹去除算法
5.基于样本熵和模式识别的脑电信号识别算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。