22、无线耳脑电图信号分析与脑电伪迹去除技术

无线耳脑电图信号分析与脑电伪迹去除技术

1. 无线耳脑电图信号分析相关研究

在精神分裂症患者的研究中，功能性网络组件（FNC）作为任务元素包含着有价值的数据，这些数据对于患者的预期和测试复制十分重要。有研究通过对单一FNC（静息态）测量，执行效果显著提高（高达约20%），还能对未标记的精神分裂症（SCZ）受试者进行分组预测。分组预测技术用于测试基于网络特征的强度，并通过10折交叉验证评估执行效果。结果表明，将预测技术应用于从七种测试网络中三种数据类型组合得到的网络时，预测准确性最高。这说明能够全面利用多种类型数据的综合方法，对于发现和预测更有帮助。

另外，利用R编程语言实现的RMCL过程应用于从Bio - GRID数据库获取的精神分裂症风险因素候选基因的蛋白质 - 蛋白质相互作用（PPI）网络。通过对不同膨胀参数进行RMCL算法模拟，并与相同参数下的MCL算法模拟结果对比，RMCL算法得到的是重叠簇，这意味着簇之间存在联系，比如NRG1和CACNG2基因产物之间就存在联系。

最新研究发现大脑结构朝着更均衡的网络发生重要变化，尤其是在与长程相互作用相关的连接方面。由于这些变化在对照组中更为明显，因此神经网络重组不足可能与精神分裂症（SCH）有关。利用受试者工作特征曲线和留一法交叉验证方法，获得了72.5%的准确性。研究中提出的不同复杂度度量表明了网络拓扑的独立性，它补充了传统图度量，可用于描述大脑网络。

还有研究提出的两层策略通过留一法交叉验证，准确性可达91.63%。通过研究由不同复杂度和和谐度的音乐刺激诱发的大脑听觉诱发电位（AEPs），测试结果显示了对音乐观察进行量化的可行性，这些结果未来可应用于音乐处理评估和精神疾病诊断系统的改进。