脑电信号的多尺度熵分析

doi:10.3778/j.issn.1002-8331.2009.10.005

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (10): 13-15.DOI: 10.3778/j.issn.1002-8331.2009.10.005

脑电信号的多尺度熵分析

葛家怡¹,周鹏¹,赵欣¹,刘海婴^1,2,王明时¹

1.天津大学精密仪器与光电子工程学院生物医学工程系，天津 300072
2.明尼苏达大学放射系，美国 55455

收稿日期:2008-12-11 修回日期:2009-01-14 出版日期:2009-04-01 发布日期:2009-04-01
通讯作者: 葛家怡

Multiscale entropy analysis of EEG signal

GE Jia-yi¹,ZHOU Peng¹,ZHAO Xin¹,LIU Hai-ying^1,2,WANG Ming-shi¹

1.School of Precision Instrument and Opto-elctronics Engineering，Tianjin University，Tianjin 300072，China
2.Department of Radiology，University of Minnesota，USA 55455

Received:2008-12-11 Revised:2009-01-14 Online:2009-04-01 Published:2009-04-01
Contact: GE Jia-yi

摘要/Abstract

摘要： 给出了多尺度熵的算法步骤，对生理信号中两种常见噪声白噪声和1/f噪声的多尺度熵进行了研究，分析表明1/f噪声有比白噪声更为复杂的结构，探讨了混沌信号logistic映射的多尺度熵特征，在此基础上对不同睡眠时期脑电信号的多尺度熵进行了比较，结果显示脑电信号具有复杂结构，醒期熵值最高，睡眠Ⅳ期熵值最低；睡眠Ⅰ期、睡眠Ⅱ期和醒期复杂度较高，变化趋势接近；睡眠Ⅲ期、睡眠Ⅳ期和快速眼动期变化趋势基本一致，2尺度后复杂度基本保持不变。

关键词: 脑电, 非平稳, 多尺度熵, 复杂度

Abstract: The algorithm steps of multiscale entropy are given.The multiscale entroy computation of white noise and 1/f noise which usually appeared in physiological signals are studied，it shows that 1/f noise has more complicated structure contrast with white noise.Compared the multiscale entropy of sleep EEG signal in different stages based on the multiscale entropy character of chaos logistic signal.It appears that the sleep EEG has complicated structure，the entropy value of awake stage is the most and of stage IV is the lowest.The complexity of sleep stage I，sleep stage II and awake stage is higher and the variation tendency almost the same.However，sleep stage III，sleep stage IV and rapid eye moment stage have the same variation tendency，its complexity remained relatively unchanged after the scale factor over 2.

Key words: electroencephalogram, nonstable, multiscale entropy, complexity

葛家怡¹,周鹏¹,赵欣¹,刘海婴^1,2,王明时¹. 脑电信号的多尺度熵分析[J]. 计算机工程与应用, 2009, 45(10): 13-15.

GE Jia-yi¹,ZHOU Peng¹,ZHAO Xin¹,LIU Hai-ying^1,2,WANG Ming-shi¹. Multiscale entropy analysis of EEG signal[J]. Computer Engineering and Applications, 2009, 45(10): 13-15.

[1]	蔡冬丽，钟清华，朱永升，廖金湘，韩劢之. 三维输入卷积神经网络脑电信号情感识别[J]. 计算机工程与应用, 2021, 57(5): 161-167.
[2]	王凤琴，柯亨进. 卷积神经网络及其分析在抑郁症判别中的应用[J]. 计算机工程与应用, 2021, 57(5): 245-250.
[3]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[4]	罗渠，冯静雯，赖虹宇，李涛，邓伟，刘凯，张军鹏. 精神分裂症和抑郁症患者静息态脑电分类[J]. 计算机工程与应用, 2021, 57(13): 138-146.
[5]	刘艺，张起贵. 划分层次限制的快速帧间预测算法[J]. 计算机工程与应用, 2021, 57(10): 200-203.
[6]	袁顺杰，程辉，叶贞成，程培鑫. SOM-T2 FLS在股市预测中的应用研究[J]. 计算机工程与应用, 2020, 56(7): 130-136.
[7]	贾雁飞，杜艳丽，赵立权. 快速收敛参考独立分量分析方法[J]. 计算机工程与应用, 2020, 56(7): 255-259.
[8]	叶颖诗，魏福义，蔡贤资. 基于并行计算的快速Dijkstra算法研究[J]. 计算机工程与应用, 2020, 56(6): 58-65.
[9]	沈潇童，毕卉，王苏弘，李文杰，邹凌. 抑郁症患者脑电导联选择算法及分类研究[J]. 计算机工程与应用, 2020, 56(22): 154-159.
[10]	周奕隽，李冬冬，王喆，高大启. 融合倒谱特征的脑电（EEG）情感分类[J]. 计算机工程与应用, 2020, 56(21): 164-169.
[11]	杜轻，辛守庭，雷新宇，于海涛. 基于脑网络和TSK模糊系统的癫痫脑电识别[J]. 计算机工程与应用, 2020, 56(2): 133-140.
[12]	周元，于明，黄炜嘉，李效龙. 能量熵与峰值窗口结合去除眼电伪迹研究[J]. 计算机工程与应用, 2020, 56(19): 168-175.
[13]	陈景霞，郝为，张鹏伟，谢佳. RSVP与SSVEP混合脑电信号刺激与多类事件检测[J]. 计算机工程与应用, 2020, 56(15): 132-139.
[14]	王众，章学良，刘亚群，周俊宇，单东升. 基于脑电传感器的面部动作识别研究[J]. 计算机工程与应用, 2020, 56(12): 182-186.
[15]	李世丹，朱晓军. 基于递归定量分析的视听脑电应用研究[J]. 计算机工程与应用, 2019, 55(9): 107-111.

脑电信号的多尺度熵分析

Multiscale entropy analysis of EEG signal

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics