脑电信号的多尺度排列熵分析

《脑电信号的多尺度排列熵分析》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、物理学报ActaPhys．Sin．Vo1．63，No．7(2014)078704脑电信号的多尺度排列熵分析冰姚文坡)刘铁兵)十戴加飞)王俊2){1)(南京军区南京总医院，南京210002)2)(南京邮电大学图像处理与图像通信江苏省重点实验室，南京210003)(2013年10月8日收到；2013年12月21日收到修改稿)本文利用多尺度排列熵对正常脑电信号和癫痫脑电信号进行了详细的分析和比较，研究了脑电图信号多尺度排列熵值和年龄的关系以及尺度因子对多尺度排列熵值的影响．通过对处于各个年龄段的22组正常人和22组患有癫痫人群的脑电图进行多尺度

2、排列熵分析，发现在相同年龄段的人群中，正常脑电信号的多尺度排列熵值要高于癫痫脑电信号，熵值平均高出约0．19，约7．9％．另外，在尺度因子小于15的情况下，对于在30到35的年龄段正常人群，其多尺度排列熵值最大，随着年龄段的增大或降低熵值都一定程度的降低．结果证明，多尺度排列熵可以成功区分正常脑电信号和癫痫脑电信号，并且熵值可以正确地反映人体大脑发育的一般过程．关键词：多尺度排列熵，非线性分析，脑电图，癫痫PACS：87．85．一d．05．45．一aDOI：10．7498／aps．63．078704标监测和疾病诊断中[14-16】．1引言

3、从非线性动力学角度看人体信号活动的复杂度反映了人体的相关特征，其复杂度的变化代表着癫痫是神经元的异常放电导致的神经系统疾身体症状的改变，从而可以通过复杂度了解人体的病[，，观察脑电图是癫痫临床诊断的一种基本方疾病变化等信息．目前非线性分析算法可以有效地法[3】．传统的癫痫诊断是靠经验从脑电图[4-6】波通过其熵值判断信号的复杂度，例如尺度熵、样本形观测，即从时域角度分析，但是准确率低且和医熵、多尺度熵[17-19]等．排列熵[20]因其较高的鲁棒生经验有关．另外，脑电图波形形态差异大，难以性和快速简便的算法特征广泛应用于序列复杂度形成统一

4、意见，而且依靠长程的脑电图监控对医护和非线性分析中，而多尺度排列熵是将多尺度和排资源消耗大．随着信号处理理论的发展，频域分析列熵结合起来，可以更加有效地分析序列信息．本以及时频分析也应用在脑电图的检测中[，引．另外，文从非线性角度分析脑电图信号，利用多尺度排列神经群模型【0】和多维统计分析模型也已经应用熵算法研究正常人和癫痫人脑电信号中的差异，为在脑电信号特征提取或是源重建分析中．现有理癫痫的诊断提供有效的凭证和帮助，并且利用多尺论认为人体大脑活动具有非线性特征，对脑电图信度排列熵从复杂度角度详细研究正常人脑电图随号的非线性分析是合理的分

5、析方法[11,12】．1985年，年龄的变化而发生的变化趋势．Babloyantz等使用分维数研究了睡眠活动，是首次本文在利用多尺度排列熵分析脑电信号中做利用非线性理论研究脑电信号【13J．随后又有更多了以下工作．首先详细分析了多尺度排列熵的算的非线性分析算法被提出以及应用在人体各项指法原理以及信号分析流程，然后通过调节多尺度排国家自然科学基金(批准号：61271082，61201029，61102094)和江苏省自然科学基金(批准号：BK2011759，BK2011565)资助的课题．十通讯作者．E—mail：njbull@163．co

6、m{通讯作者．E-muil：wangj~njupt．edu．cil@2014中国物理学会ChinesePhysicalSocietyttp：／／wulixb．inhy．ac．cn078704．1物理学报ActaPhys．Sin．Vo1．63，No．7(2014)078704列熵的参数对正常脑电信号和癫痫脑电信号的熵首先对进行时间重构得到值进行分析比较，并在此基础上研究了正常人脑电={，一，ytS+(_11)信号多尺度排列熵值随年龄变化而发生的变化趋其中m为嵌入维数，7-为延迟因子．对时间重构序势，最后总结多尺度排列熵在脑电图信号分析中的列

7、按升序排列：结果．8+0一1)1．≤～1)r≤⋯≤8+tm—1)1-．(2)2多尺度排列熵：{J1，J2，⋯，)表示重构时间序列中各个元素原始位置索引，序列共有m!种排列可能．多尺度排列熵是在排列熵基础上的改进，基统计每种排列类型出现的次数，计算其对应的本思想是将时间序列首先进行多尺度粗粒化【21]，排列出现的概率=—．由此定义时然后计算其排列熵．假设长度为的时间序列佗／8一m十l间序列在多尺度下的排列熵为XL=x1，2，⋯，xL}粗粒化过程如下：m!1Jr琊=一∑ln．(3)=∑l≤J≤詈，(1)2=1仁(J一1)s+l当=1／m!时，

8、达到最大值ln(m!)，对尺式中s为尺度因子，Y为多尺度时间序列．当尺度度8下时间序列的排列熵进行归一化可得到归一化参数为1时，时间序列为原始时间序列，计算的熵的多尺度排列熵：^=邵／ln(m