CMMMgydF4y2Ba 计算和数学方法在医学gydF4y2Ba 1748 - 6718gydF4y2Ba 1748 - 670 xgydF4y2Ba Hindawi出版公司gydF4y2Ba 528781年gydF4y2Ba 10.1155 / 2012/528781gydF4y2Ba 528781年gydF4y2Ba 研究文章gydF4y2Ba 一个自动最优参与和关注使用心电图检测系统gydF4y2Ba 美女gydF4y2Ba AshwingydF4y2Ba 哈格雷夫斯gydF4y2Ba 罗莎琳霍布森gydF4y2Ba 纳加里安先生gydF4y2Ba KayvangydF4y2Ba 不在gydF4y2Ba 阿尔贝托。gydF4y2Ba 计算机科学部门gydF4y2Ba 工程学院gydF4y2Ba 弗吉尼亚联邦大学gydF4y2Ba 西方主要街401号gydF4y2Ba 邮政信箱843019gydF4y2Ba 里士满gydF4y2Ba 弗吉尼亚州23284 - 3019gydF4y2Ba 美国gydF4y2Ba vcu.edugydF4y2Ba 2012年gydF4y2Ba 9gydF4y2Ba 8gydF4y2Ba 2012年gydF4y2Ba 2012年gydF4y2Ba 01gydF4y2Ba 05年gydF4y2Ba 2012年gydF4y2Ba 18gydF4y2Ba 06gydF4y2Ba 2012年gydF4y2Ba 2012年gydF4y2Ba 版权©2012 Ashwin美女等。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

本研究提出开发监控系统。该系统利用心电图仪(ECG)作为基本的生理信号,来分析和预测认知的存在或缺乏关注个体在任务执行。本研究的主要目标是识别关注的波动水平之间的相关性及其对心脏节律的影响在心电图记录。此外,脑电图(EEG)信号也进行了分析和分类用心电图分析作为比较的基准。已经实现了一些先进的信号处理技术,研究多个秘密和信息特征来自这两种生理信号。分解和特征提取是通过使用Stockwell-transform心电图信号,而离散小波变换(DWT)是用于脑电图。这些特性被应用于各种机器学习算法产生分类模型,能够区分一个人的情况下被细心的和一个不细心的人。显示结果表明,检测和分类的认知关注使用心电图是相当类似的脑电图。gydF4y2Ba

 1。介绍gydF4y2Ba

在当今的政界、高科技和高压力的环境中,一个常见的患者是我们的认知加工能力。认知心理学主要与人交易获得的能力,过程,和保留信息,是一项基本任务执行的必要性(gydF4y2Ba 1gydF4y2Ba]。任务绩效质量很大程度上取决于个人的能力,灌输和维持高水平的认知活动期间参与和关注。然而,考虑到现代生活方式的危险如延长工作时间,长时间的待办事项列表,和被忽视的个人健康加上重复的日常活动和职业的本质,睡眠不足,注意力水平上下波动也成为一个普遍的问题,需要解决。瞬时或长时间流逝的关注等某些关键职业医生、飞行员、国防人员,和公路运输司机可能是灾难性的,有时还会致病人于死地。gydF4y2Ba

研究警觉性和嗜睡并不是一个科学研究的新领域。众多研究领域正在积极研究关注的概念,警觉性,分心,嗜睡。许多这样的研究侧重于非感觉机制来识别和量化在个体水平的关注(gydF4y2Ba 2gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba如用户的日常生活,时间表,与自我报告的用户活动,活动和注意力水平描述模式等等。最近研究人员已经开始使用生物了解复杂的认知加工对生理参数的影响。脑电图(EEG)是一个流行的生理信号,研究人员广泛使用在理解认知功能(gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 8gydF4y2Ba]。使用脑电图检测和识别的注意/关注个体是一个既定的概念。几个概念已经发展为提高两区域的浓度和其他认知功能障碍和脑外伤患者(gydF4y2Ba 9gydF4y2Ba- - - - - -gydF4y2Ba 11gydF4y2Ba]。然而,有一些基本问题的程序收集脑电图。它要求个人戴上头饰可以颠覆性和麻烦的长期使用。EEG电极传感器还需要滋润电极凝胶可为用户不舒服在头皮上的接触点。此外,脑电图收集设备通常不是设计成可移植;他们往往是稍大型固定设备使脑电图的集合局限于一组环境突发事件。此外,EEG信号本身是对噪声高度敏感。在头皮肌肉的运动,运动的主题,说话,眨眼睛,等等可以诱发各种不必要的工件到信号从而扰乱neuroelectric信息包含在信号的质量。gydF4y2Ba

出于这个原因,本研究试图使用心电图(ECG)检测在个体认知关注。心电图是一项基本生理信号很容易在一个微小的可穿戴和便携式监视器。由于收集装置是便携式身体上,占用空间小,它允许ECG信号的捕获来自个人在各种情况下非侵入性的方式。这种数据收集的可移植性单位允许一个更现实的研究人类认知活动在任务执行在不同的情况下。本文中给出的研究试图建立一个关系认知的关注和对心电图的影响。通过识别模式和相关性这两个就可以提前预测好,一个人的潜在损失的关注任务执行期间和进入睡眠。这也提供了先发制人的能力向用户反馈在确定递减的注意力水平,从而提高个人的总体性能。gydF4y2Ba

本文的其余部分组织如下:部分gydF4y2Ba 2gydF4y2Ba描述了实验装置,其次是部分的描述方法gydF4y2Ba 3gydF4y2Ba。部分gydF4y2Ba 4gydF4y2Ba描述本研究的结果和结论。gydF4y2Ba

 2。实验装置gydF4y2Ba

这项研究的一个基本方面的收集数据本身。广泛的搜索显示没有可用的数据集,自由或否则,迎合确切的需要这个特殊的研究。这个研究利用心电图收集通过便携式臂章来检测存在或缺乏注意/关注个体,收集到的数据集必须专门基于本研究的要求。gydF4y2Ba

在设计实验中,志愿受试者单独要求观看一系列预选的视频剪辑在这两个生理信号,也就是说,心电图和脑电图,是后天习得的。根据他们的内容,选择视频剪辑掉的两类,“有趣”或“noninteresting”,要求高和低水平的观众参与,分别。每个选择的平均长度长约4分钟的视频剪辑。为每个类别相应的视频剪辑,视频剪辑约20分钟的观看时间。第一类视频蒙太奇命名为“有趣”包括参与拍摄纪录片,受欢迎的电影场景,高速行驶的汽车追逐中丧生,等等。这是为了让观众关注,与它的内容。名为“noninteresting”的第二个视频蒙太奇包含视频是重复和单调如时钟的滴答声和静态图像长时间显示。这是为了引起无聊的科目,从而减少他们的注意力。观看视频剪辑一个接一个的两类需要对比水平参与者的参与和关注,从而确保(尽可能)受试者的兴趣和注意的有趣的视频设置和受试者随后无聊,失去了注意力在noninteresting视频。gydF4y2Ba

在实验中使用SenseWear-Pro臂章的ECG信号收集由Bodymedia Inc .这个臂章能收集在128赫兹(心电图数据gydF4y2Ba 12gydF4y2Ba]。gydF4y2Ba

如图gydF4y2Ba 1gydF4y2Ba,两个臂章的附加到主题使用心电图电极片的粘合剂。领导的一个领导放在一边的手臂和其他铅系在脖子和肩膀之间的桥梁。gydF4y2Ba

两个领导心电图收集从臂章。gydF4y2Ba

EEG信号来自受试者使用MP150:脑电图- 100 c产品通过Biopac Inc .这个系统一个脑电图帽提供适合舒适的主题,它收集脑电图信号采样率为1000 Hz。信号收集从前额或额叶皮质(fp1和fp2)与地面参考从耳垂。额叶皮质主要负责关注和高阶函数包括工作记忆、语言、计划、判断和决策gydF4y2Ba 13gydF4y2Ba]。整个设置完全非侵入性,只有利用表面接触传感器。所需的数据收集进行了IRB的批准。gydF4y2Ba

 3所示。方法gydF4y2Ba

图的原理图gydF4y2Ba 2gydF4y2Ba说明了本研究的整体方法。如图所示的两个生理信号心电图和脑电图从主题中获得的实验。gydF4y2Ba

方法概述。gydF4y2Ba

第一获得原始信号预处理中删除不需要的工件提出的信号。接下来,使用各种分解预处理信号分解和分析方法。在下一步中价值和信息特征提取信号的分解组件。这些提取的功能最终美联储的机器学习步骤分类模型开发分类特征实例两种情况下“关注”或“nonattention。”gydF4y2Ba

3.1。数据预处理gydF4y2Ba

获得原始ECG信号包含了一些固有的不必要的工件前需要处理任何分析可以执行。这些工件的原因,通常是频率噪音或基线的趋势,可能是由于多种原因,如受试者的运动导致运动工件,呼吸模式工件,松散皮肤接触的电极,和电气干扰(通常发现约55 Hz)。因此一个预处理步骤设计,确保信号是干净和工件自由之前分析。gydF4y2Ba

3.1.1。心电图预处理gydF4y2Ba

心电信号的预处理步骤如图所示gydF4y2Ba 3gydF4y2Ba。因为每个信号必须过滤基于固有噪声的类型不同,原始ECG信号首先过滤使用“SGolay”过滤方法。“SGolay”过滤器由Savitzky-Golay开发。这个过滤器是一个数字多项式滤波器基于最小二乘平滑机制。SGolay过滤器通常用于消除噪声信号的频率跨度大。他们执行比标准平均FIR滤波器,因为这些过滤器倾向于保留很大一部分信号高频内容而只去除噪声(gydF4y2Ba 14gydF4y2Ba]。gydF4y2Ba

心电图预处理。gydF4y2Ba

接下来,过滤后的心电图数据发送通过去除基线漂移的一步。通常基线漂移是观察心电图记录由于呼吸、肌肉收缩、电极阻抗变化由于主体的运动(gydF4y2Ba 15gydF4y2Ba]。首先去除基线漂移的回归线最适合的样品在一个窗口的大小等于确定了采样率。gydF4y2Ba

鉴于gydF4y2Ba ngydF4y2Ba 点的心电图信号gydF4y2Ba (gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba (gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ngydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ngydF4y2Ba )gydF4y2Ba ,最适合线与这些点可以计算如下:gydF4y2Ba (1)gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba ngydF4y2Ba (gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba xgydF4y2Ba ygydF4y2Ba )gydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba xgydF4y2Ba )gydF4y2Ba (gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ygydF4y2Ba )gydF4y2Ba ngydF4y2Ba (gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba xgydF4y2Ba 2gydF4y2Ba )gydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba xgydF4y2Ba )gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ygydF4y2Ba - - - - - -gydF4y2Ba 米gydF4y2Ba (gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba xgydF4y2Ba )gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba +gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ygydF4y2Ba是一个点,gydF4y2Ba 米gydF4y2Ba直线的斜率,gydF4y2Ba bgydF4y2Ba是拦截。每个窗口的计算最适合线然后减去从原始信号窗口获得基线drift-free信号。gydF4y2Ba

原始ECG信号过滤后的噪声和基线漂移,然后信号被分成两个部分的基础上,采集和实验框架。信号的两个部分,即“有趣”和“noninteresting”从原始信号中提取使用时间戳,在信号采集记录和索引。分离和分析数据的两个部分分别促进监督学习机制在训练阶段的机器学习步骤。gydF4y2Ba

 3.1.2。脑电图预处理gydF4y2Ba

EEG信号是由一个复杂和非线性组合的几个不同的波形也称为带组件。乐队的每个组件分类中存在的频率范围。个人意识的状态可能会使一个频率范围比其他人更明显(gydF4y2Ba 16gydF4y2Ba]。如图gydF4y2Ba 4gydF4y2Ba,不同的乐队组件从原始EEG信号中提取使用巴特沃斯带通滤波器。五个主要乐队EEG信号的提取,即δ(0.2 4赫兹),θ(4 - 8 Hz),α8—13赫兹(),β(13-30 Hz),和伽马(30-55赫兹)。gydF4y2Ba

脑电图预处理步骤。gydF4y2Ba

 3.2。心电图分解:使用斯托克变换gydF4y2Ba

的gydF4y2Ba 年代gydF4y2Ba变换被斯托克和他的同事在1996年提出的。的区别gydF4y2Ba 年代gydF4y2Ba变换是它产生分解frequency-dependant分辨率的时频域而完全保留当地的相位信息。换句话说,gydF4y2Ba 年代gydF4y2Ba变换不仅当地的功率谱估计,而且当地的相位谱,这是非常可取的研究复杂的生理信号,如心电图。gydF4y2Ba

分析时动态频谱或当地的光谱性质不稳定等观察心电图的一些常见的方法包括短时傅里叶变换(STFT) [gydF4y2Ba 17gydF4y2Ba],伽柏变换[gydF4y2Ba 18gydF4y2Ba),复杂的解调(gydF4y2Ba 19gydF4y2Ba)产生的一系列带通滤过的声音,也与小波滤波器组理论等等。一些方法代表了变换在时间和频率域的组合如科恩类(gydF4y2Ba 20.gydF4y2Ba的广义时频分布(GTFD) Cone-Kernel分布(gydF4y2Ba 21gydF4y2Ba],Choi-Williams分布[gydF4y2Ba 22gydF4y2Ba)以及平滑伪魏格纳分布(PWD) [gydF4y2Ba 23gydF4y2Ba]。一个比较流行的方法分解和小波变换在时频域分析。离散小波变换和DWT执行分解的信号提供了出色的时间分辨率,同时保持关键光谱信息或频率分辨率gydF4y2Ba 24gydF4y2Ba,gydF4y2Ba 25gydF4y2Ba]。gydF4y2Ba

虽然gydF4y2Ba 年代gydF4y2Ba变换是类似于渐进分辨率,小波变换与小波变换不同,gydF4y2Ba 年代gydF4y2Ba变换保留绝对引用的相位信息。绝对引用阶段意味着计算的相位信息gydF4y2Ba 年代gydF4y2Ba变换是参考时间gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,这也是对傅里叶变换的相位。唯一的区别是gydF4y2Ba 年代gydF4y2Ba变换提供了每个样本的绝对引用的相位信息的时频空间。gydF4y2Ba

3.2.1之上。数学公式的<斜体> < /斜体>变换gydF4y2Ba

有两个品种gydF4y2Ba 年代gydF4y2Ba变换、连续和离散。连续gydF4y2Ba 年代gydF4y2Ba变换(gydF4y2Ba 26gydF4y2Ba)本质上是STFT的延伸。它也可以被视为一种phase-corrected格式的连续小波变换(CWT)。gydF4y2Ba

STFT的信号gydF4y2Ba h (t)gydF4y2Ba被定义为gydF4y2Ba (2)gydF4y2Ba STFTgydF4y2Ba (gydF4y2Ba τgydF4y2Ba ,gydF4y2Ba fgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∫gydF4y2Ba - - - - - -gydF4y2Ba ∞gydF4y2Ba ∞gydF4y2Ba hgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba ggydF4y2Ba (gydF4y2Ba τgydF4y2Ba - - - - - -gydF4y2Ba tgydF4y2Ba )gydF4y2Ba egydF4y2Ba - - - - - -gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba πgydF4y2Ba fgydF4y2Ba tgydF4y2Ba dgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba

τgydF4y2Ba 是光谱定位的时候,gydF4y2Ba

fgydF4y2Ba 傅里叶频率,gydF4y2Ba

ggydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba 表示一个窗口函数。gydF4y2Ba

的gydF4y2Ba 年代gydF4y2Ba变换可以从上面的STFT方程只需用窗函数gydF4y2Ba ggydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba 高斯函数:gydF4y2Ba (3)gydF4y2Ba ggydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba =gydF4y2Ba |gydF4y2Ba fgydF4y2Ba |gydF4y2Ba 2gydF4y2Ba πgydF4y2Ba egydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba fgydF4y2Ba 2gydF4y2Ba )gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 因此,gydF4y2Ba 年代gydF4y2Ba变换是数学上定义如下:gydF4y2Ba (4)gydF4y2Ba 年代gydF4y2Ba (gydF4y2Ba τgydF4y2Ba ,gydF4y2Ba fgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∫gydF4y2Ba - - - - - -gydF4y2Ba ∞gydF4y2Ba ∞gydF4y2Ba hgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba |gydF4y2Ba fgydF4y2Ba |gydF4y2Ba 2gydF4y2Ba πgydF4y2Ba egydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba (gydF4y2Ba τgydF4y2Ba - - - - - -gydF4y2Ba tgydF4y2Ba )gydF4y2Ba 2gydF4y2Ba fgydF4y2Ba 2gydF4y2Ba )gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba egydF4y2Ba - - - - - -gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba πgydF4y2Ba fgydF4y2Ba tgydF4y2Ba dgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba 自gydF4y2Ba 年代gydF4y2Ba变换本质上与高斯窗函数分解,它可以推断,一个更广泛的窗口在时间域的变换可以提供更高的分辨率较低的频率,和一个狭窄的高斯窗更高频率的分辨率是更好的突出。gydF4y2Ba

的应用程序gydF4y2Ba 年代gydF4y2Ba变换在这项研究中,连续gydF4y2Ba 年代gydF4y2Ba变换不被证明是一个实用的选择。仅仅因为收购ECG信号的本身进行离散采样和连续分解这个信号的频率可能会非常耗时,因此不计算务实。因此一个离散的版本的gydF4y2Ba 年代gydF4y2Ba变换采用分解的心电信号。gydF4y2Ba

离散gydF4y2Ba 年代gydF4y2Ba变换可以介绍如下。gydF4y2Ba

让gydF4y2Ba hgydF4y2Ba (gydF4y2Ba kgydF4y2Ba TgydF4y2Ba ]gydF4y2Ba 是离散时间序列信号的研究,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba TgydF4y2Ba 是采样间隔的时间。傅里叶变换的离散格式可以如下所示:gydF4y2Ba (5)gydF4y2Ba HgydF4y2Ba (gydF4y2Ba ngydF4y2Ba NgydF4y2Ba TgydF4y2Ba ]gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba NgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba hgydF4y2Ba (gydF4y2Ba kgydF4y2Ba TgydF4y2Ba ]gydF4y2Ba egydF4y2Ba 2gydF4y2Ba jgydF4y2Ba πgydF4y2Ba ngydF4y2Ba kgydF4y2Ba /gydF4y2Ba NgydF4y2Ba 。gydF4y2Ba 使用连续gydF4y2Ba 年代gydF4y2Ba变换方程和上面的方程,时间序列,gydF4y2Ba hgydF4y2Ba (gydF4y2Ba kgydF4y2Ba TgydF4y2Ba ]gydF4y2Ba 的gydF4y2Ba 年代gydF4y2Ba变换可以表示如下:(gydF4y2Ba fgydF4y2Ba →gydF4y2Ba ngydF4y2Ba /gydF4y2Ba NgydF4y2Ba TgydF4y2Ba 和gydF4y2Ba τgydF4y2Ba →gydF4y2Ba jgydF4y2Ba TgydF4y2Ba )gydF4y2Ba (6)gydF4y2Ba 年代gydF4y2Ba (gydF4y2Ba jgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba NgydF4y2Ba TgydF4y2Ba ]gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba NgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba HgydF4y2Ba (gydF4y2Ba 米gydF4y2Ba +gydF4y2Ba ngydF4y2Ba NgydF4y2Ba TgydF4y2Ba ]gydF4y2Ba egydF4y2Ba 2gydF4y2Ba πgydF4y2Ba 2gydF4y2Ba 米gydF4y2Ba 2gydF4y2Ba /gydF4y2Ba ngydF4y2Ba 2gydF4y2Ba egydF4y2Ba 2gydF4y2Ba jgydF4y2Ba πgydF4y2Ba 米gydF4y2Ba jgydF4y2Ba /gydF4y2Ba NgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ≠gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

 3.2.2。应用<斜体> < /斜体>变换gydF4y2Ba

图gydF4y2Ba 5gydF4y2Ba显示了不同的步骤分解的心电信号使用gydF4y2Ba 年代gydF4y2Ba变换。首先,预处理通过窗口发送心电图信号机制。在这种机制中,预处理ECG信号分割成小窗户。这些窗户是不重叠的,包含心电图数据10秒的间隔(128 Hz * 10秒= 1280数据点/窗口)。gydF4y2Ba

年代gydF4y2Ba变换应用心电图信号。gydF4y2Ba

窗口后一步,每一个10秒的windows分解使用gydF4y2Ba 年代gydF4y2Ba变换。的输出gydF4y2Ba 年代gydF4y2Ba变换是一个复杂的二维矩阵的行代表频率和列代表时间值。的gydF4y2Ba 年代gydF4y2Ba变换算法应用于本研究优化生产逐步与步长是1赫兹频率范围和样本结果之间的时间间隔是1单位。gydF4y2Ba

的一个示例输出5秒钟后心电图数据的窗口gydF4y2Ba 年代gydF4y2Ba转换图gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

(一个)显示频谱的contour-based可视化,基于gydF4y2Ba 年代gydF4y2Ba变换信号的窗口。(b)显示了原始信号窗口。gydF4y2Ba

图gydF4y2Ba 6gydF4y2Ba显示准确的原始(图的点对点表示gydF4y2Ba 6 (b)gydF4y2Ba)信号gydF4y2Ba 年代gydF4y2Ba变换时频域。的gydF4y2Ba 年代gydF4y2Ba变换输出矩阵一直等值线图显示(图所示gydF4y2Ba 6(一)gydF4y2Ba)。gydF4y2Ba

 3.2.3。特征提取gydF4y2Ba

每个窗口的输出是一个频率时间矩阵表示。矩阵的每个实例频率点和时间点(由行和列的位置,职责)。所以整个输出矩阵可以提出如下:gydF4y2Ba 圣gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba ,gydF4y2Ba在哪里gydF4y2Ba xgydF4y2Ba 频率(行)位置和吗gydF4y2Ba ygydF4y2Ba 是时候(列)的位置。gydF4y2Ba

的提取特性推导出输出矩阵的圣执行两个步骤。在第一步的输出矩阵从两个维度减少到一个维度。这是通过计算某些统计措施以及频率维度gydF4y2Ba xgydF4y2Ba ,同时保留时间维度的不连续性gydF4y2Ba ygydF4y2Ba 为是。计算统计措施以及频率gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba 如下:gydF4y2Ba

意思的频率gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba

的频率gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba

产品的频率gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba

标准偏差的频率gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba

范围gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

在第一步得到的数组从频域特性如下:gydF4y2Ba (7)gydF4y2Ba FregydF4y2Ba 问gydF4y2Ba 场效应晶体管gydF4y2Ba =gydF4y2Ba (gydF4y2Ba 的意思是gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 总和gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 产品gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 性病gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 范围gydF4y2Ba (gydF4y2Ba fgydF4y2Ba )gydF4y2Ba ]gydF4y2Ba 。gydF4y2Ba 下一步是计算沿时域统计特性。gydF4y2Ba

意思是:gydF4y2Ba (8)gydF4y2Ba 的意思是gydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba )gydF4y2Ba =gydF4y2Ba 的意思是gydF4y2Ba (gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba FregydF4y2Ba 问gydF4y2Ba 场效应晶体管gydF4y2Ba 。gydF4y2Ba

总结:gydF4y2Ba (9)gydF4y2Ba 总和gydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba )gydF4y2Ba =gydF4y2Ba 总和gydF4y2Ba (gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba FregydF4y2Ba 问gydF4y2Ba 场效应晶体管gydF4y2Ba 。gydF4y2Ba

自协方差的意思是:gydF4y2Ba (10)gydF4y2Ba 的意思是gydF4y2Ba (gydF4y2Ba 自协方差gydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba )gydF4y2Ba )gydF4y2Ba =gydF4y2Ba 的意思是gydF4y2Ba (gydF4y2Ba 自协方差gydF4y2Ba (gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba FregydF4y2Ba 问gydF4y2Ba 场效应晶体管gydF4y2Ba 。gydF4y2Ba

互相关的总和:gydF4y2Ba (11)gydF4y2Ba 总和gydF4y2Ba (gydF4y2Ba autocorrilationgydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba )gydF4y2Ba )gydF4y2Ba =gydF4y2Ba 总和gydF4y2Ba (gydF4y2Ba 自相关gydF4y2Ba (gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba FregydF4y2Ba 问gydF4y2Ba 场效应晶体管gydF4y2Ba 。gydF4y2Ba

日志gydF4y2Ba2gydF4y2Ba方差:gydF4y2Ba (12)gydF4y2Ba 日志gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba 方差gydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba )gydF4y2Ba )gydF4y2Ba =gydF4y2Ba 日志gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba 方差gydF4y2Ba (gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba FregydF4y2Ba 问gydF4y2Ba 场效应晶体管gydF4y2Ba 。gydF4y2Ba

两个额外的功能是计算从最初获得圣矩阵。gydF4y2Ba

的最大频率:gydF4y2Ba (13)gydF4y2Ba 的意思是gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba )gydF4y2Ba )gydF4y2Ba =gydF4y2Ba 的意思是gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 圣gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 圣gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

平均绝对偏差的频率:gydF4y2Ba (14)gydF4y2Ba 的意思是gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba 腹肌gydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba )gydF4y2Ba )gydF4y2Ba =gydF4y2Ba 的意思是gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba 腹肌gydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba - - - - - -gydF4y2Ba 的意思是gydF4y2Ba (gydF4y2Ba 圣gydF4y2Ba )gydF4y2Ba )gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba 特征提取后,总特性集gydF4y2Ba 年代gydF4y2Ba转换步骤将包含(5(在步骤1中功能)* 5(步骤2)特性)+ 2(额外的noniterative特性)= 27(每个窗口特征列)。gydF4y2Ba

3.3。脑电图分解和分析:使用小波变换gydF4y2Ba

EEG信号表现出复杂的行为和非线性动力学。过去做了广泛的工作理解相关的复杂性与大脑通过多个窗口的数学、物理、工程、化学、生理学等等(gydF4y2Ba 27gydF4y2Ba,gydF4y2Ba 28gydF4y2Ba]。获取和分析脑电图的意图在这个研究是开发一种基准注意识别。本研究的关键是看心电图信号,可以收集到一个便携式臂章可以相对有效识别个人的注意力和焦点。gydF4y2Ba

小而复杂的不同频率结构在参与这项发现脑电图波形包含详细neuroelectric毫秒时间框架的底层信息处理系统,很多研究表明,波形结构在不同的尺度上保存重要的基础和临床信息(gydF4y2Ba 29日gydF4y2Ba,gydF4y2Ba 30.gydF4y2Ba]。小规模神经节奏,特别是与事件相关的振荡厄洛斯,被视为基本的知觉和认知gydF4y2Ba 29日gydF4y2Ba]。小波分析提供了一种有力的方法分离这样的节奏进行研究。有几个脑电图分析小波变换的应用。它已经被用于去除噪声小波系数以来从原始脑电图波形方便精确的噪声过滤机制通过归零或衰减系数主要与噪声在重构信号小波合成(gydF4y2Ba 31日gydF4y2Ba- - - - - -gydF4y2Ba 33gydF4y2Ba]。小波分析脑电图也被广泛用于信号处理应用程序在智能检测系统用于临床gydF4y2Ba 34gydF4y2Ba,gydF4y2Ba 35gydF4y2Ba]。小波变换也被用于压缩脑电图信号。小波压缩技术已经被证明改善neuroelectric数据压缩比与小信号信息的损失(gydF4y2Ba 36gydF4y2Ba,gydF4y2Ba 37gydF4y2Ba]。也可以看到为组件和事件检测以及峰值和瞬态检测脑电图波形。小波分析在许多研究已经证明非常有效(gydF4y2Ba 33gydF4y2Ba- - - - - -gydF4y2Ba 38gydF4y2Ba]。gydF4y2Ba

3.3.1。小波变换的数学公式gydF4y2Ba

小波变换本质上存在两种不同的类型:连续小波变换(CWT)和离散小波变换(DWT)。在这项研究中分析EEG信号的DWT方法已被采用。使用DWT的优点是它允许信号通过应用分析只有离散值的改变和扩展形成离散小波。同样,如果原始信号与一组合适的取样比例和变化值,可以重建整个连续信号的DWT(使用Inverse-DWT)。一个自然的方式设置参数gydF4y2Ba 一个gydF4y2Ba (扩展)和gydF4y2Ba bgydF4y2Ba (转移)是使用对数的离散化gydF4y2Ba “一个”gydF4y2Ba规模和链接,分别”之间的步长gydF4y2Ba b”gydF4y2Ba位置或转变。链接”gydF4y2Ba b”gydF4y2Ba“gydF4y2Ba 一个“gydF4y2Ba离散步骤采取每个位置”gydF4y2Ba b。”gydF4y2Ba是成正比的”gydF4y2Ba 一个“gydF4y2Ba规模。这种类型的母小波可以以下表格所示。gydF4y2Ba

母亲离散小波表示:gydF4y2Ba (15)gydF4y2Ba ΨgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 一个gydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba (gydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba ngydF4y2Ba bgydF4y2Ba 0gydF4y2Ba 一个gydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba

整数的gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba ngydF4y2Ba 分别控制小波变化和扩展,gydF4y2Ba

一个gydF4y2Ba 0gydF4y2Ba 指定固定膨胀一步参数集值大于1,gydF4y2Ba

bgydF4y2Ba 0gydF4y2Ba 是位置参数必须大于零。gydF4y2Ba

分析方程(DWT):gydF4y2Ba (16)gydF4y2Ba WgydF4y2Ba 米gydF4y2Ba ngydF4y2Ba =gydF4y2Ba ∫gydF4y2Ba - - - - - -gydF4y2Ba ∞gydF4y2Ba +gydF4y2Ba ∞gydF4y2Ba xgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba ΨgydF4y2Ba 米gydF4y2Ba ngydF4y2Ba *gydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba dgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

合成方程(逆DWT):gydF4y2Ba (17)gydF4y2Ba xgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba =gydF4y2Ba cgydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba ngydF4y2Ba WgydF4y2Ba 米gydF4y2Ba ngydF4y2Ba ΨgydF4y2Ba 米gydF4y2Ba ngydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba cgydF4y2Ba 是一个常数与母亲小波。gydF4y2Ba

 3.3.2。应用程序DWT的脑电图gydF4y2Ba

在这项研究中,应用离散小波变换和DWT的脑电图乐队组件中提取的预处理步骤。gydF4y2Ba

如图gydF4y2Ba 7gydF4y2Ba,每个提取的乐队组件发送通过“窗口”的一步。在这一步的有趣和无聊的部分带组件基于时间戳的原始脑电图提取并通过窗口发送机制。在这种机制中,每个乐队分量信号分割成小窗户。窗户是10秒长,不重叠的。脑电图信号获得的采样率为1000 Hz,所以每个窗口都有1000 Hz * 10秒= 10000数据点。gydF4y2Ba

脑电图使用小波变换分解和分析步骤。gydF4y2Ba

然后分解利用DWT每个窗口。小波变换的性能取决于所选择的母小波分解的信号。常见的启发式是选择一个感兴趣的信号的形状相似。对于组乐队组件从原始EEG信号中提取不同的母亲在分解小波适合不同波段的应用。gydF4y2Ba

如图gydF4y2Ba 8gydF4y2Baγ波分量的分析,母亲小波选择“bior3.9”双正交小波的家庭。δθ,α波组件分解使用“db4”作为他们的母亲Daubechies家族的小波的小波。最后β波分解使用“coif3”Coiflets母小波的小波家族。这些小波选择不仅基于形状和复杂性,也因为他们似乎是常用的等在相关研究中的应用。gydF4y2Ba

(一)“COIF3”小波,(b)“DB4小波,(c)“BOIR3.9”小波。gydF4y2Ba

小波变换的分解进程可以执行迭代分为几个层次。的数量水平为分解是特定于应用程序的选择,也取决于信号的复杂性。脑电图信号频带的窗口组件,5个层次分解似乎提供所有需要的有用的信息;进一步分解并没有产生一个更好的结果。的所有阶段的详细系数1到5和5级的近似系数保留特征提取步骤。gydF4y2Ba

 3.3.3。特征提取步骤gydF4y2Ba

这些系数的特性计算如下。(在这里,gydF4y2Ba (gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ngydF4y2Ba )gydF4y2Ba 代表每个系数的值从10秒窗口。)gydF4y2Ba

标准偏差:gydF4y2Ba (18)gydF4y2Ba 性病gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

熵,熵是一个随机性的统计测量。它是非常有用的在评估中的信息信号:gydF4y2Ba (19)gydF4y2Ba 熵gydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 总和gydF4y2Ba (gydF4y2Ba pgydF4y2Ba *gydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba pgydF4y2Ba )gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba pgydF4y2Ba 是信号的直方图。gydF4y2Ba

方差的日志:让每个元素的概率质量函数如下gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ↦gydF4y2Ba pgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ngydF4y2Ba ↦gydF4y2Ba pgydF4y2Ba ngydF4y2Ba ,然后gydF4y2Ba (20)gydF4y2Ba 方差gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba pgydF4y2Ba 我gydF4y2Ba *gydF4y2Ba (gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba )gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba μgydF4y2Ba 是期望值,gydF4y2Ba (21)gydF4y2Ba μgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba pgydF4y2Ba 我gydF4y2Ba *gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba 因此gydF4y2Ba ,gydF4y2Ba 日志gydF4y2Ba 的gydF4y2Ba 方差gydF4y2Ba =gydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba 2gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba 方差gydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

意思的频率(离散傅里叶域中):gydF4y2Ba (22)gydF4y2Ba dftgydF4y2Ba (gydF4y2Ba xgydF4y2Ba kgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba XgydF4y2Ba (gydF4y2Ba jgydF4y2Ba )gydF4y2Ba egydF4y2Ba jgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba πgydF4y2Ba /gydF4y2Ba NgydF4y2Ba )gydF4y2Ba kgydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 净的gydF4y2Ba NgydF4y2Ba时间样本、dft (gydF4y2Ba xgydF4y2Ba kgydF4y2Ba ),表示正弦和余弦分量的大小的样本gydF4y2Ba egydF4y2Ba jgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba πgydF4y2Ba /gydF4y2Ba NgydF4y2Ba )gydF4y2Ba kgydF4y2Ba ngydF4y2Ba :gydF4y2Ba (23)gydF4y2Ba 的意思是gydF4y2Ba 的gydF4y2Ba 傅里叶gydF4y2Ba 域gydF4y2Ba =gydF4y2Ba 的意思是gydF4y2Ba (gydF4y2Ba dftgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

概率分布的方差:gydF4y2Ba (24)gydF4y2Ba 概率gydF4y2Ba 分布gydF4y2Ba 函数gydF4y2Ba =gydF4y2Ba PgydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba ≤gydF4y2Ba xgydF4y2Ba ≤gydF4y2Ba bgydF4y2Ba ]gydF4y2Ba =gydF4y2Ba ∫gydF4y2Ba 一个gydF4y2Ba bgydF4y2Ba fgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba dgydF4y2Ba xgydF4y2Ba 方差gydF4y2Ba 的gydF4y2Ba 分布gydF4y2Ba =gydF4y2Ba 方差gydF4y2Ba (gydF4y2Ba PgydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

的自相关:gydF4y2Ba (25)gydF4y2Ba 自相关gydF4y2Ba 函数gydF4y2Ba =gydF4y2Ba RgydF4y2Ba (gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba )gydF4y2Ba =gydF4y2Ba EgydF4y2Ba (gydF4y2Ba (gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba )gydF4y2Ba *gydF4y2Ba (gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba rgydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba )gydF4y2Ba ]gydF4y2Ba σgydF4y2Ba tgydF4y2Ba σgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba tgydF4y2Ba 在时间序列不同的时间,gydF4y2Ba μgydF4y2Ba 的意思是gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba σgydF4y2Ba 的标准偏差gydF4y2Ba XgydF4y2Ba ,“gydF4y2Ba EgydF4y2Ba “是期望值算子:gydF4y2Ba (26)gydF4y2Ba 总和gydF4y2Ba 的gydF4y2Ba 自相关gydF4y2Ba =gydF4y2Ba 总和gydF4y2Ba (gydF4y2Ba RgydF4y2Ba (gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba )gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

自协方差的意思是:gydF4y2Ba (27)gydF4y2Ba CgydF4y2Ba (gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba )gydF4y2Ba =gydF4y2Ba EgydF4y2Ba (gydF4y2Ba (gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba tgydF4y2Ba )gydF4y2Ba *gydF4y2Ba (gydF4y2Ba xgydF4y2Ba 年代gydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba 年代gydF4y2Ba )gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba tgydF4y2Ba 在时间序列不同的时间,gydF4y2Ba μgydF4y2Ba 的意思是gydF4y2Ba XgydF4y2Ba ,“gydF4y2Ba EgydF4y2Ba “是期望值算子:gydF4y2Ba (28)gydF4y2Ba 的意思是gydF4y2Ba 的gydF4y2Ba 自相关gydF4y2Ba =gydF4y2Ba 的意思是gydF4y2Ba (gydF4y2Ba CgydF4y2Ba (gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba )gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba 特征提取后执行,总特性集将包含小波变换步骤;6系数近似详细(5 + 1)* 7(每个系数特性)= 42(每个频带特性列组件)。总共有5个乐队中提取组件,因此,42(每个频带特性组件)* 5(不同的乐队组件)= 210 (EEG)的总特征。这些计算功能然后发送到机器学习阶段分类、训练和测试。gydF4y2Ba

3.4。机器学习和分类模型gydF4y2Ba

在这个应用程序的结果在各种信号处理后获得心理上的信号是一个大型的特性集。由于数据收集系统和控制环境,从各自的部分的信号提取的特征可分为以下两个假定类别:“关注”和“nonattention。“因此监督学习方法用于本研究开发分类启发式。gydF4y2Ba

三个不同的机器学习算法实现了对这次试验和测试。这些都是如下。gydF4y2Ba

3.4.1。通过回归分类gydF4y2Ba

连续变量有不同的模型来预测或分类变量的连续预测和/或分类因素影响如一般线性模型(glm)和一般回归模型(grm)。回归问题是那些尝试预测一个连续变量的值从一个或多个连续的和/或分类预测变量(gydF4y2Ba 28gydF4y2Ba,gydF4y2Ba 38gydF4y2Ba,gydF4y2Ba 39gydF4y2Ba]。这是一种非参数方法意味着没有分布假设的数据而漠视它是已知或假定数据遵循特定的线性模型二项或泊松等。在回归分类器,将决策树是由基于变量最好区分目标的类别分类标签变量。这里的决定将由基于回归树。回归树中的每个节点分为两个子节点。随着回归树一定停止规则应用于阻止树木生长。gydF4y2Ba

更普遍而言,通过树构建算法分析的目的是确定一组假设的逻辑(分裂)条件允许准确预测或分类的病例。树分类技术,如果应用得当,产生准确的预测或预测分类基于一些合理假设的条件。回归树分类器的优势在许多的另一种技术是,他们生产简单输出分类结果。这种简单性不仅是有用的为目的的快速分类的新观测,但是也可以提供一个更简单的“模型”解释了为什么观察进行分类或预测一个特定的方式。计算分类和回归树的过程可以描述为包括四个基本步骤:指定的标准预测准确性,选择分裂,决定何时停止分裂,并选择适当的树。gydF4y2Ba

 3.4.2。C4.5分类方法gydF4y2Ba

C4.5也是decision-tree-based分类算法,由昆兰(gydF4y2Ba 39gydF4y2Ba,gydF4y2Ba 40gydF4y2Ba]。它开发了基于ID3机器学习算法的基本原理(gydF4y2Ba 41gydF4y2Ba]。的决策树C4.5计算输入数据形成一个基于分治策略。在C4.5树中的每个节点与一组相关联的病例。每次分配权重处理未知的属性值。首先整个训练集开始作为根的权重分配给所有1.0例。从这里树计算每个属性的信息增益的训练集。对离散属性信息增益相对于分裂不同值的情况下在每一个节点。选择最高的属性信息增益作为测试节点。后由递归分割的分而治之的策略属性在每个节点形式的孩子节点根据每个节点的属性的信息增益。C4.5已用于多个应用程序在医疗信息gydF4y2Ba 42gydF4y2Ba,gydF4y2Ba 43gydF4y2Ba]。gydF4y2Ba

 3.4.3。随机森林gydF4y2Ba

Breiman发达随机森林分类方法基本上就是一个分类器,由多个决策树(gydF4y2Ba 44gydF4y2Ba]。这是一个非常准确的分类器显示巨大的成功与多个数据集。这是特别有用超大数据集和数据库与数据挖掘。与其他两个提到的基于树的随机森林分类器使用多个树或森林开发决策和分类。虽然在这项研究中它被用来开发基于监督数据模型,随机森林也可以用于无监督数据学习(gydF4y2Ba 45gydF4y2Ba,gydF4y2Ba 46gydF4y2Ba]。随机森林也很受欢迎在biosignal和生物医学应用(gydF4y2Ba 46gydF4y2Ba]。gydF4y2Ba

上述机器学习方法都是已知的神经网络等方法在生理和医学应用gydF4y2Ba 47gydF4y2Ba]。此外,神经网络等方法,在分析使用统计学习理论,证明是容易过度拟合的问题(gydF4y2Ba 48gydF4y2Ba- - - - - -gydF4y2Ba 50gydF4y2Ba),因此进一步鼓励使用上面描述的方法,特别是当数据或对象的数量用于训练和测试是有限的。gydF4y2Ba

在机器学习的步骤中,所提到的三个分类器是独立的提取特征上实现心电图和脑电图和每一个分类器的结果进行了比较。这是较早开发的基于一个设置在初始阶段的这个实验。这个实验ECG信号来自21个主题和脑电图信号来自12个科目已被收集起来。gydF4y2Ba

 4所示。结果与结论gydF4y2Ba

每个分类器的分类模型是开发使用“按主题”或“离开一个主题”为训练集和测试集。在这种类型的培训和测试中,给定的数字的话题说gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 学科科目用于培训和发展分类模型,虽然gydF4y2Ba xgydF4y2Ba th主题的数据用于测试开发模型。循环赛的方式重复这个过程,直到每一个主题的数据收集的数据总只测试了一个分类模型。在本节中为每个类型的分类方法,平均精度和其他统计数据呈现在所有的科目。gydF4y2Ba

4.1。分类结果心电图使用<斜体> < /斜体>变换gydF4y2Ba

获得的结果的分析和分类计算特性从斯托克变换(ST)的心电图信号。gydF4y2Ba

表gydF4y2Ba 1gydF4y2Ba介绍了总体平均精度、特异性和敏感性的三个心电图测试和训练模型的分类算法在所有科目。gydF4y2Ba

年代gydF4y2Ba心电图的变换特性分类结果。gydF4y2Ba

年代gydF4y2Ba心电图变换特性分类结果gydF4y2Ba 准确性(平均)gydF4y2Ba 特异性(平均)gydF4y2Ba 灵敏度(平均)gydF4y2Ba
C4.5gydF4y2Ba 74.22%gydF4y2Ba 67.31%gydF4y2Ba 81.13%gydF4y2Ba
通过回归分类gydF4y2Ba 71.63%gydF4y2Ba 63.11%gydF4y2Ba 80.15%gydF4y2Ba
随机森林gydF4y2Ba 76.96%gydF4y2Ba 66.73%gydF4y2Ba 87.20%gydF4y2Ba

可以看出,总体精度random-forest-based比这两个更成功C4.5分类模型的分类精度和分类通过回归模型近77%。gydF4y2Ba

 4.2。分类结果脑电图使用离散小波变换gydF4y2Ba

EEG信号的特性计算分析使用离散小波变换用于开发基于描述的三个不同的分类模型的分类方法。这些分类的结果展示在表gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

DWT特性分类脑电图的结果。gydF4y2Ba

DWT脑电图特征分类结果gydF4y2Ba 准确性(平均)gydF4y2Ba 特异性(平均)gydF4y2Ba 灵敏度(平均)gydF4y2Ba
C4.5gydF4y2Ba 80.93%gydF4y2Ba 81.11%gydF4y2Ba 80.96%gydF4y2Ba
通过回归分类gydF4y2Ba 82.5%gydF4y2Ba 76.74%gydF4y2Ba 88.26%gydF4y2Ba
随机森林gydF4y2Ba 85.70gydF4y2Ba %gydF4y2Ba 79.74%gydF4y2Ba 91.66%gydF4y2Ba

表gydF4y2Ba 2gydF4y2Ba介绍了总体平均精度、特异性和敏感性的三个分类算法脑电图测试和训练模型在所有科目。可以看出,总体精度random-forest-based比这两个更成功C4.5分类模型的分类精度和分类通过回归模型近86%的脑电图特征集。gydF4y2Ba

 4.3。心电图和脑电图分类比较gydF4y2Ba

结果心电图特征分类的所有三个分类器对EEG的分类结果进行比较。gydF4y2Ba

从图gydF4y2Ba 9gydF4y2Ba可以看出,尽管脑电图本质上更多的信息来表示关注的存在或缺乏,心电图信号分析和分类不是很落后。随机森林似乎最适合两种形式给出的平均精度为77%心电图和脑电图为86%。gydF4y2Ba

心电图和脑电图分类比较。gydF4y2Ba

 5。结论gydF4y2Ba

EEG信号的分析主要是设定一个基准臂章的生理特性的分析可以比较。提出了这个系统,因为它主要关注的是心电图(ECG)信号和各种方法的分解执行。以下是结论性的语句,可以推导出系统的性能。gydF4y2Ba

可以看出,一个合理的水平的系统能够识别准确性的认知关注相比,脑电图检测到的收集在同一实验。这个提议的焦点完全在心电图,只有这个信号表明,其分类精度相当的脑电图。gydF4y2Ba

在各种机器学习方法调查,“通过回归分类”似乎对合并后的特性集执行最好的。然而,也证明了“random-forest——“分类是基于特征的子集为每个不同的分解和分析方法。gydF4y2Ba

本研究还建立了心电图仅可用于分析认知注意力和注意力的波动确实有翻译对个体的心脏节律的影响。gydF4y2Ba

这里有一些对未来的工作计划来提高系统的分类和预测性能。gydF4y2Ba

一个更大的数据集需要进一步实验验证。一个更大的数据集将提供一个更健壮的分类器模型。gydF4y2Ba

更新奇的特性会发达,分解后的特征提取步骤。拥有一个更加多样化的基础特性通常提供了洞察一些原生特征的信号可能不是公开明显。gydF4y2Ba

功能修剪和其他分类方法需要尝试提高准确性。gydF4y2Ba

确认gydF4y2Ba

作者要感谢BodyMedia先进发展(BodyMedia)。为本研究提供臂章。本研究设计并在与保罗·戈贝尔博士合作,进行阅读障碍研究的教授,特殊教育和残疾政策,联邦。作者希望也承认受试者自愿参加本研究。gydF4y2Ba

 洛克gydF4y2Ba J。gydF4y2Ba 一篇关于人类理解gydF4y2Ba 1847年gydF4y2Ba 特泽尔gydF4y2Ba 霍维茨gydF4y2Ba E。gydF4y2Ba ApaciblegydF4y2Ba J。gydF4y2Ba 关于中断学习和推理gydF4y2Ba 学报》第五届国际会议上多通道接口(ICMI ' 03)gydF4y2Ba 2003年11月gydF4y2Ba 20.gydF4y2Ba 27gydF4y2Ba 2 - s2.0 - 18844386512gydF4y2Ba McCrickardgydF4y2Ba d S。gydF4y2Ba ChewargydF4y2Ba c . M。gydF4y2Ba 调谐通知用户目标和关注成本的设计gydF4y2Ba ACM的通信gydF4y2Ba 2003年gydF4y2Ba 46gydF4y2Ba 3gydF4y2Ba 67年gydF4y2Ba 72年gydF4y2Ba 2 - s2.0 - 3042853559gydF4y2Ba 10.1145/636772.636800gydF4y2Ba 又gydF4y2Ba C。gydF4y2Ba AngehrngydF4y2Ba 一个。gydF4y2Ba NabethgydF4y2Ba T。gydF4y2Ba RazmeritagydF4y2Ba lgydF4y2Ba 使用会话代理支持知识共享实践的采用gydF4y2Ba 与电脑互动gydF4y2Ba 2003年gydF4y2Ba 15gydF4y2Ba 1gydF4y2Ba 57gydF4y2Ba 89年gydF4y2Ba 2 - s2.0 - 0037226629gydF4y2Ba 10.1016 / s0953 - 5438 (02) 00029 - 2gydF4y2Ba 贝利gydF4y2Ba b P。gydF4y2Ba AdamczykgydF4y2Ba p D。gydF4y2Ba 常gydF4y2Ba t Y。gydF4y2Ba ChilsongydF4y2Ba n。gydF4y2Ba 一个框架,用于指定和监控用户的任务gydF4y2Ba 电脑在人类行为gydF4y2Ba 2006年gydF4y2Ba 22gydF4y2Ba 4gydF4y2Ba 709年gydF4y2Ba 732年gydF4y2Ba 2 - s2.0 - 33144489203gydF4y2Ba 10.1016 / j.chb.2005.12.011gydF4y2Ba 拉尔gydF4y2Ba s . k . L。gydF4y2Ba 克雷格gydF4y2Ba 一个。gydF4y2Ba 心理生理学的一个评论司机疲劳gydF4y2Ba 生物心理学gydF4y2Ba 2001年gydF4y2Ba 55gydF4y2Ba 3gydF4y2Ba 173年gydF4y2Ba 194年gydF4y2Ba 2 - s2.0 - 0035252195gydF4y2Ba 10.1016 / s0301 - 0511 (00) 00085 - 5gydF4y2Ba MamashligydF4y2Ba F。gydF4y2Ba AhmadlugydF4y2Ba M。gydF4y2Ba GolpayeganigydF4y2Ba m·r·H。gydF4y2Ba GharibzadehgydF4y2Ba 年代。gydF4y2Ba 使用混乱的全球特性检测的关注gydF4y2Ba 神经精神病学和临床神经科学杂志》上gydF4y2Ba 2010年gydF4y2Ba 22gydF4y2Ba 2、文章E20gydF4y2Ba 2 - s2.0 - 77952362688gydF4y2Ba 拉尔gydF4y2Ba s . k . L。gydF4y2Ba 克雷格gydF4y2Ba 一个。gydF4y2Ba 司机疲劳:脑电图和心理评估gydF4y2Ba 心理生理学gydF4y2Ba 2002年gydF4y2Ba 39gydF4y2Ba 3gydF4y2Ba 313年gydF4y2Ba 321年gydF4y2Ba 2 - s2.0 - 0036251023gydF4y2Ba 10.1017 / S0048577201393095gydF4y2Ba 克拉克gydF4y2Ba a。R。gydF4y2Ba 巴里gydF4y2Ba r . J。gydF4y2Ba 麦卡锡gydF4y2Ba R。gydF4y2Ba SelikowitzgydF4y2Ba M。gydF4y2Ba 注意缺陷多动症脑电图分析:比较研究两种亚型gydF4y2Ba 精神病学研究gydF4y2Ba 1998年gydF4y2Ba 81年gydF4y2Ba 1gydF4y2Ba 19gydF4y2Ba 29日gydF4y2Ba 2 - s2.0 - 0032547826gydF4y2Ba 10.1016 / s0165 - 1781 (98) 00072 - 9gydF4y2Ba LubargydF4y2Ba j·F。gydF4y2Ba 话语的发展脑电图诊断和生物反馈对注意缺陷/多动障碍gydF4y2Ba 生物反馈和自我调节gydF4y2Ba 1991年gydF4y2Ba 16gydF4y2Ba 3gydF4y2Ba 201年gydF4y2Ba 225年gydF4y2Ba 2 - s2.0 - 0026230609gydF4y2Ba 10.1007 / BF01000016gydF4y2Ba TiniusgydF4y2Ba t P。gydF4y2Ba TiniusgydF4y2Ba k。gydF4y2Ba 脑电生物反馈后的变化和认知培训成人轻度创伤性脑损伤和注意缺陷多动障碍gydF4y2Ba 神经病治疗杂志gydF4y2Ba 2000年gydF4y2Ba 4gydF4y2Ba 27gydF4y2Ba 44gydF4y2Ba 艾哈迈德gydF4y2Ba 一个。gydF4y2Ba 荷马gydF4y2Ba M。gydF4y2Ba 王gydF4y2Ba P。gydF4y2Ba 多传感器的精度和效用臂章ECG信号相比,持有人监控gydF4y2Ba 2004年gydF4y2Ba 美国芝加哥,生病了gydF4y2Ba 心律失常技术撤退gydF4y2Ba 斯特恩gydF4y2Ba j . M。gydF4y2Ba 恩格尔gydF4y2Ba J。gydF4y2Ba 阿特拉斯的脑电图gydF4y2Ba 2004年gydF4y2Ba Lippincott Williams &威尔金斯gydF4y2Ba OrfanidisgydF4y2Ba 美国J。gydF4y2Ba 介绍了信号处理gydF4y2Ba 1995年gydF4y2Ba 新世纪gydF4y2Ba 弗瑞森gydF4y2Ba g . M。gydF4y2Ba JannettgydF4y2Ba t . C。gydF4y2Ba Afify忠实gydF4y2Ba M。gydF4y2Ba 耶茨gydF4y2Ba s . L。gydF4y2Ba 瞿intgydF4y2Ba s R。gydF4y2Ba 特洛伊纳格尔gydF4y2Ba H。gydF4y2Ba 比较9 QRS噪声敏感度的检测算法gydF4y2Ba IEEE生物医学工程gydF4y2Ba 1990年gydF4y2Ba 37gydF4y2Ba 1gydF4y2Ba 85年gydF4y2Ba 98年gydF4y2Ba 2 - s2.0 - 0025267657gydF4y2Ba 10.1109/10.43620gydF4y2Ba 奥乔亚gydF4y2Ba j·B。gydF4y2Ba 脑电图信号分类对大脑计算机接口的应用程序gydF4y2Ba 2002年gydF4y2Ba 洛桑联邦理工gydF4y2Ba PortnoffgydF4y2Ba m·R。gydF4y2Ba 数字信号的时频表示基于短时傅里叶分析和系统gydF4y2Ba IEEE声学,演讲,和信号处理gydF4y2Ba 1980年gydF4y2Ba 28gydF4y2Ba 1gydF4y2Ba 55gydF4y2Ba 59gydF4y2Ba 2 - s2.0 - 0018982701gydF4y2Ba 伽柏gydF4y2Ba D。gydF4y2Ba 通信理论。第1部分:信息的分析gydF4y2Ba 电Engineers-Part三世gydF4y2Ba 1946年gydF4y2Ba 93年gydF4y2Ba 429年gydF4y2Ba 441年gydF4y2Ba 布洛姆菲尔德gydF4y2Ba P。gydF4y2Ba 时间序列的傅里叶分析:介绍gydF4y2Ba 2004年gydF4y2Ba Wiley-IntersciencegydF4y2Ba 科恩gydF4y2Ba lgydF4y2Ba 时频分布情况回顾gydF4y2Ba IEEE学报》gydF4y2Ba 1989年gydF4y2Ba 77年gydF4y2Ba 7gydF4y2Ba 941年gydF4y2Ba 981年gydF4y2Ba 2 - s2.0 - 0024705330gydF4y2Ba 10.1109/5.30749gydF4y2Ba 赵gydF4y2Ba Y。gydF4y2Ba 阿特拉斯gydF4y2Ba l E。gydF4y2Ba 标志着gydF4y2Ba r . J。gydF4y2Ba 使用锥形内核广义的非平稳信号的时频表示gydF4y2Ba IEEE声学,演讲,和信号处理gydF4y2Ba 1990年gydF4y2Ba 38gydF4y2Ba 7gydF4y2Ba 1084年gydF4y2Ba 1091年gydF4y2Ba 2 - s2.0 - 0025463449gydF4y2Ba 10.1109/29.57537gydF4y2Ba 崔gydF4y2Ba h . I。gydF4y2Ba 威廉姆斯gydF4y2Ba w·J。gydF4y2Ba 改进的多组分信号的时频表示使用指数内核gydF4y2Ba IEEE声学,演讲,和信号处理gydF4y2Ba 1989年gydF4y2Ba 37gydF4y2Ba 6gydF4y2Ba 862年gydF4y2Ba 871年gydF4y2Ba 2 - s2.0 - 0024681555gydF4y2Ba 10.1109 / ASSP.1989.28057gydF4y2Ba HlawatschgydF4y2Ba F。gydF4y2Ba Boudreaux-BartelsgydF4y2Ba g F。gydF4y2Ba 线性和二次时频信号表示gydF4y2Ba IEEE信号处理杂志gydF4y2Ba 1992年gydF4y2Ba 9gydF4y2Ba 2gydF4y2Ba 21gydF4y2Ba 67年gydF4y2Ba 2 - s2.0 - 0026845531gydF4y2Ba 10.1109/79.127284gydF4y2Ba 美女gydF4y2Ba 一个。gydF4y2Ba 霍布森gydF4y2Ba R。gydF4y2Ba 纳加里安先生gydF4y2Ba K。gydF4y2Ba 生理信号处理系统最优参与和关注检测gydF4y2Ba 《IEEE国际会议上生物信息学和生物医学研讨会(BIBMW 11)gydF4y2Ba 2011年gydF4y2Ba 555年gydF4y2Ba 561年gydF4y2Ba 美女gydF4y2Ba 一个。gydF4y2Ba 霁gydF4y2Ba s Y。gydF4y2Ba 安萨里gydF4y2Ba 年代。gydF4y2Ba HakimzadehgydF4y2Ba R。gydF4y2Ba 病房gydF4y2Ba K。gydF4y2Ba 纳加里安先生gydF4y2Ba K。gydF4y2Ba 挫折与心电图仪检测信号用小波变换gydF4y2Ba 学报第一生物科学国际会议(BioSciencesWorld 10)gydF4y2Ba 2010年3月gydF4y2Ba 91年gydF4y2Ba 94年gydF4y2Ba 2 - s2.0 - 77952613837gydF4y2Ba 10.1109 / BioSciencesWorld.2010.19gydF4y2Ba 斯托克gydF4y2Ba r·G。gydF4y2Ba MansinhagydF4y2Ba lgydF4y2Ba 劳gydF4y2Ba r P。gydF4y2Ba 本地化的复杂光谱:S变换gydF4y2Ba IEEE信号处理gydF4y2Ba 1996年gydF4y2Ba 44gydF4y2Ba 4gydF4y2Ba 998年gydF4y2Ba 1001年gydF4y2Ba 2 - s2.0 - 0030127735gydF4y2Ba 10.1109/78.492555gydF4y2Ba BabloyantzgydF4y2Ba 一个。gydF4y2Ba 萨拉查gydF4y2Ba j . M。gydF4y2Ba NicolisgydF4y2Ba C。gydF4y2Ba 混沌动力学的大脑活动的证据在睡眠周期gydF4y2Ba 物理信gydF4y2Ba 1985年gydF4y2Ba 111年gydF4y2Ba 3gydF4y2Ba 152年gydF4y2Ba 156年gydF4y2Ba 2 - s2.0 - 0000451936gydF4y2Ba NatarajangydF4y2Ba K。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 别名gydF4y2Ba F。gydF4y2Ba TibolenggydF4y2Ba T。gydF4y2Ba PuthusserypadygydF4y2Ba 美国K。gydF4y2Ba 非线性分析EEG信号在不同的心理状态gydF4y2Ba 生物医学工程在线gydF4y2Ba 2004年gydF4y2Ba 3、第七条gydF4y2Ba 2 - s2.0 - 3042545926gydF4y2Ba 10.1186 / 1475 - 925 x - 3 - 7所示gydF4y2Ba BaşargydF4y2Ba E。gydF4y2Ba Başar-EroglugydF4y2Ba C。gydF4y2Ba KarakaşgydF4y2Ba 年代。gydF4y2Ba SchurmanngydF4y2Ba M。gydF4y2Ba 脑振荡的感知和记忆gydF4y2Ba 国际心理生理学杂志gydF4y2Ba 2000年gydF4y2Ba 35gydF4y2Ba 2 - 3gydF4y2Ba 95年gydF4y2Ba 124年gydF4y2Ba 2 - s2.0 - 0343485119gydF4y2Ba 10.1016 / s0167 - 8760 (99) 00047 - 1gydF4y2Ba 萨玛gydF4y2Ba 诉J。gydF4y2Ba BopardikargydF4y2Ba 一个。gydF4y2Ba 饶gydF4y2Ba R。gydF4y2Ba 史瓦兹gydF4y2Ba K。gydF4y2Ba neuroelectric波形进行小波分析:一个概念性的教程gydF4y2Ba 大脑和语言gydF4y2Ba 1999年gydF4y2Ba 66年gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 60gydF4y2Ba 2 - s2.0 - 0032796009gydF4y2Ba 10.1006 / brln.1998.2024gydF4y2Ba BartnikgydF4y2Ba 大肠。gydF4y2Ba BlinowskagydF4y2Ba k·J。gydF4y2Ba DurkagydF4y2Ba p . J。gydF4y2Ba 单一的诱发电位重建通过小波变换gydF4y2Ba 生物控制论gydF4y2Ba 1992年gydF4y2Ba 67年gydF4y2Ba 2gydF4y2Ba 175年gydF4y2Ba 181年gydF4y2Ba 2 - s2.0 - 0026436808gydF4y2Ba 10.1007 / BF00201024gydF4y2Ba 贝特朗gydF4y2Ba O。gydF4y2Ba BohorquezgydF4y2Ba J。gydF4y2Ba PerniergydF4y2Ba J。gydF4y2Ba 基于可逆小波变换时频数字滤波:一个应用程序来诱发电位gydF4y2Ba IEEE生物医学工程gydF4y2Ba 1994年gydF4y2Ba 41gydF4y2Ba 1gydF4y2Ba 77年gydF4y2Ba 88年gydF4y2Ba 2 - s2.0 - 0028350376gydF4y2Ba 10.1109/10.277274gydF4y2Ba TrejogydF4y2Ba l . J。gydF4y2Ba ShensagydF4y2Ba m·J。gydF4y2Ba 使用小波的特征提取与事件相关电位:人类性能监视应用程序gydF4y2Ba 大脑和语言gydF4y2Ba 1999年gydF4y2Ba 66年gydF4y2Ba 1gydF4y2Ba 89年gydF4y2Ba 107年gydF4y2Ba 2 - s2.0 - 0032775506gydF4y2Ba 10.1006 / brln.1998.2026gydF4y2Ba KalaycigydF4y2Ba T。gydF4y2Ba OzdamargydF4y2Ba O。gydF4y2Ba ErdolgydF4y2Ba N。gydF4y2Ba 利用小波变换预处理的神经网络检测脑电图高峰gydF4y2Ba 《IEEE创新科技转移全球事件(Southeastcon 94)gydF4y2Ba 1994年4月gydF4y2Ba 1gydF4y2Ba 3gydF4y2Ba 2 - s2.0 - 0028185047gydF4y2Ba 塔克gydF4y2Ba d . M。gydF4y2Ba 头电场的空间采样:测地线传感器网络gydF4y2Ba 脑电图与临床神经生理学gydF4y2Ba 1993年gydF4y2Ba 87年gydF4y2Ba 3gydF4y2Ba 154年gydF4y2Ba 163年gydF4y2Ba 2 - s2.0 - 0027214741gydF4y2Ba 10.1016 / 0013 - 4694 (93)90121 - bgydF4y2Ba 希夫gydF4y2Ba 美国J。gydF4y2Ba 弥尔顿gydF4y2Ba j·G。gydF4y2Ba 海勒gydF4y2Ba J。gydF4y2Ba 温斯坦gydF4y2Ba s . L。gydF4y2Ba 小波变换和脑电图仪的飙升和扣押代理数据本地化gydF4y2Ba 光学工程gydF4y2Ba 1994年gydF4y2Ba 33gydF4y2Ba 7gydF4y2Ba 2162年gydF4y2Ba 2169年gydF4y2Ba 2 - s2.0 - 0028478794gydF4y2Ba 拉兹gydF4y2Ba J。gydF4y2Ba 迪克森gydF4y2Ba lgydF4y2Ba 图瑞斯基gydF4y2Ba B。gydF4y2Ba 一个小波包的诱发电位模型gydF4y2Ba 大脑和语言gydF4y2Ba 1999年gydF4y2Ba 66年gydF4y2Ba 1gydF4y2Ba 61年gydF4y2Ba 88年gydF4y2Ba 2 - s2.0 - 0032809242gydF4y2Ba 10.1006 / brln.1998.2025gydF4y2Ba 弗兰克gydF4y2Ba E。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 英格利斯gydF4y2Ba 年代。gydF4y2Ba 福尔摩斯gydF4y2Ba G。gydF4y2Ba 威滕gydF4y2Ba i . H。gydF4y2Ba 使用模型树的分类gydF4y2Ba 机器学习gydF4y2Ba 1998年gydF4y2Ba 32gydF4y2Ba 1gydF4y2Ba 63年gydF4y2Ba 76年gydF4y2Ba 2 - s2.0 - 0032117676gydF4y2Ba 10.1023 /:1007421302149gydF4y2Ba 昆兰gydF4y2Ba j . R。gydF4y2Ba C4。5:机器学习项目gydF4y2Ba 1993年gydF4y2Ba 摩根考夫曼gydF4y2Ba 昆兰gydF4y2Ba j . R。gydF4y2Ba 装袋、促进和C4.5gydF4y2Ba 13国家会议上人工智能(AAAI 96)gydF4y2Ba 1996年8月gydF4y2Ba 725年gydF4y2Ba 730年gydF4y2Ba 2 - s2.0 - 0030370417gydF4y2Ba 昆兰gydF4y2Ba j . R。gydF4y2Ba 诱导决策树gydF4y2Ba 机器学习gydF4y2Ba 1986年gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 81年gydF4y2Ba 106年gydF4y2Ba 2 - s2.0 - 33744584654gydF4y2Ba 10.1007 / BF00116251gydF4y2Ba FrantzidisgydF4y2Ba c。gydF4y2Ba BratsasgydF4y2Ba C。gydF4y2Ba KladosgydF4y2Ba m·A。gydF4y2Ba KonstantinidisgydF4y2Ba E。gydF4y2Ba LitharigydF4y2Ba c, D。gydF4y2Ba 维瓦斯gydF4y2Ba 答:B。gydF4y2Ba PapadelisgydF4y2Ba c . L。gydF4y2Ba KaldoudigydF4y2Ba E。gydF4y2Ba 帕帕斯gydF4y2Ba C。gydF4y2Ba BamidisgydF4y2Ba p D。gydF4y2Ba 唤起情感的生物,同时查看情感分类的图片:一个集成data-mining-based医疗应用程序的方法gydF4y2Ba IEEE在生物医学信息技术gydF4y2Ba 2010年gydF4y2Ba 14gydF4y2Ba 2gydF4y2Ba 309年gydF4y2Ba 318年gydF4y2Ba 2 - s2.0 - 77949760984gydF4y2Ba 10.1109 / TITB.2009.2038481gydF4y2Ba KatsisgydF4y2Ba c, D。gydF4y2Ba KatertsidisgydF4y2Ba n S。gydF4y2Ba FotiadisgydF4y2Ba d . I。gydF4y2Ba 一个集成的系统基于生理信号焦虑症患者的情感状态的评估gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2011年gydF4y2Ba 6gydF4y2Ba 3gydF4y2Ba 261年gydF4y2Ba 268年gydF4y2Ba 2 - s2.0 - 79959921181gydF4y2Ba 10.1016 / j.bspc.2010.12.001gydF4y2Ba BreimangydF4y2Ba lgydF4y2Ba 随机森林gydF4y2Ba 机器学习gydF4y2Ba 2001年gydF4y2Ba 45gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba 32gydF4y2Ba 2 - s2.0 - 0035478854gydF4y2Ba 10.1023 /:1010933404324gydF4y2Ba LiawgydF4y2Ba 一个。gydF4y2Ba 维纳gydF4y2Ba M。gydF4y2Ba 随机森林分类和回归gydF4y2Ba R新闻gydF4y2Ba 2002年gydF4y2Ba 2gydF4y2Ba 18gydF4y2Ba 22gydF4y2Ba 尼夫gydF4y2Ba J。gydF4y2Ba 施奈德gydF4y2Ba 年代。gydF4y2Ba 大梁gydF4y2Ba D。gydF4y2Ba BatlinergydF4y2Ba 一个。gydF4y2Ba 舒乐问gydF4y2Ba B。gydF4y2Ba 应用多个分类器和非线性动力学特性检测睡意从演讲gydF4y2Ba NeurocomputinggydF4y2Ba 2012年gydF4y2Ba 84年gydF4y2Ba 65年gydF4y2Ba 75年gydF4y2Ba 2 - s2.0 - 84858159716gydF4y2Ba 霁gydF4y2Ba s Y。gydF4y2Ba 史密斯gydF4y2Ba R。gydF4y2Ba 黄齐的gydF4y2Ba T。gydF4y2Ba 纳加里安先生gydF4y2Ba K。gydF4y2Ba 多层次的计算机辅助决策系统的比较分析创伤性损伤gydF4y2Ba BMC医学信息学和决策gydF4y2Ba 2009年gydF4y2Ba 9gydF4y2Ba 1、第二条gydF4y2Ba 2 - s2.0 - 63349110176gydF4y2Ba 10.1186 / 1472-6947-9-2gydF4y2Ba 纳加里安先生gydF4y2Ba K。gydF4y2Ba 上优于径向基函数网络的复杂性评价gydF4y2Ba 神经处理信件gydF4y2Ba 2002年gydF4y2Ba 16gydF4y2Ba 2gydF4y2Ba 137年gydF4y2Ba 150年gydF4y2Ba 2 - s2.0 - 0036784492gydF4y2Ba 10.1023 /:1019999408474gydF4y2Ba 纳加里安先生gydF4y2Ba K。gydF4y2Ba 杜蒙特gydF4y2Ba g。gydF4y2Ba 戴维斯gydF4y2Ba m . S。gydF4y2Ba 赫克曼gydF4y2Ba N。gydF4y2Ba PAC学习非gydF4y2Ba 量gydF4y2Ba线性冷杉模型gydF4y2Ba 国际期刊的自适应控制和信号处理gydF4y2Ba 2001年gydF4y2Ba 15gydF4y2Ba 37gydF4y2Ba 52gydF4y2Ba 纳加里安先生gydF4y2Ba K。gydF4y2Ba 神经冷杉的定点PAC学习理论模型gydF4y2Ba 智能信息系统杂志》上gydF4y2Ba 2005年gydF4y2Ba 25gydF4y2Ba 3gydF4y2Ba 275年gydF4y2Ba 291年gydF4y2Ba 2 - s2.0 - 29144480198gydF4y2Ba 10.1007 / s10844 - 005 - 0194 - ygydF4y2Ba