作者:邹凌;岳,陈;李文杰;范静
来源:《医学影像与健康信息学杂志》,第5卷,第7期,2015年11月,第1499-1503页(5)
出版商:美国科学出版社
摘要:
本文采用视觉奇特刺激范式,记录了10名健康大学生和10名网络成瘾(IA)大学生的脑电图(EEG)信号。首先,使用独立成分分析(ICA)算法对原始信号进行预处理,以去除部分伪迹。然后,采用主成分分析(PCA)选择一组通道,与全部64个通道相比,这些通道保留了大部分信息。最后,从事件相关电位(ERP)中提取P300波的特征,并比较目标ERP和非目标ERP之间的差异,以及IA组和对照组之间的差异。提取的特征进一步用于训练四种分类器:Fisher线性判别分析(FLDA)、反向传播(BP)神经网络、贝叶斯分类器(BC)和贝叶斯正则化反向传播(BRBP)神经网络。在健康大学生和网络成瘾大学生中,活跃的脑区均位于额叶、顶叶、枕叶和顶枕叶区域。目标刺激下42次试验平均事件相关电位(ERP)的潜伏期显著长于非目标刺激下558次试验平均ERP的潜伏期(p < 0.05),且目标刺激下42次试验平均ERP的振幅显著大于非目标刺激下558次试验平均ERP的振幅(p < 0.05)。健康受试者和网络成瘾受试者的P300振幅存在显著差异,网络成瘾组的P300振幅显著低于健康受试者(p < 0.05)。在活跃脑区,基于贝叶斯方法的分类准确率可达93%以上,而在中心脑区则低于90%。结果表明,网络成瘾对大学生的脑反应和记忆能力有负面影响。本文探讨了一种利用整数系数滤波器抑制50 Hz电力噪声的实用数字滤波器实现方法。该方法快速简便,能够有效抑制具有非线性失真的电力噪声的基波和谐波分量。我们使用实际心电信号测试了该方法的抑制效果,并对噪声的基本正弦波和矩形波进行了精度评估。
关键词:通道选择;事件相关电位;独立成分分析;P300;模式识别
文档类型:研究文章
DOI:https://doi.org/10.1166/jmihi.2015.1570
出版日期:11月1,2015