腦機接口(BCI)可以直接通過腦電(EEG)信號控制外部設備。本文針對傳統主成分分析(PCA)和二維主成分分析(2DPCA)處理多通道EEG信號的局限性, 提出了多線性主成分分析(MPCA)的張量特征提取和分類框架。首先生成張量EEG數據, 然后進行張量降維并提取特征, 最后用Fisher線性判別分析分類器進行分類。實驗中將新方法應用到BCI competitionⅡ數據集4和BCI competitionⅣ數據集3, 分別使用了EEG數據的時空二階張量表示形式和時空頻三階張量表示形式, 通過對可調參數多次調試, 取得了高于其它同類降維方法的最佳結果。二階輸入最高正確率分別達到81.0%和40.1%, 三階輸入分別達到76.0%和43.5%。
腦機接口(BCI)系統通過從腦信號中提取特征對其進行識別。針對自回歸模型特征提取方法和傳統主成分分析降維方法處理多通道信號的局限性, 本文提出了多變量自回歸(MVAR)模型和多線性主成分分析(MPCA)結合的多通道特征提取方法, 并用于腦磁圖/腦電圖(MEG/EEG)信號識別。首先計算MEG/EEG信號的MVAR模型的系數矩陣, 然后采用MPCA對系數矩陣進行降維, 最后使用線性判別分析分類器對腦信號分類。創新在于將傳統單通道特征提取方法擴展到多通道。選用BCI競賽IV數據集3和1數據進行實驗驗證, 兩組實驗結果表明MVAR和MPCA結合的特征提取方法處理多通道信號是可行的。
針對腦機接口中運動想象任務的特征選擇問題,提出一種基于互信息與主成分分析的腦電特征選擇算法。該算法融入類別信息,用不同運動想象類別條件下特征間的互信息矩陣之和取代傳統主成分分析算法中的協方差矩陣,其特征向量表示新的主成分空間內各主成分的方向,特征值則作為評價準則判斷主成分維數。對2005年國際BCI競賽數據集,聯合功率譜估計、連續小波變換、小波包分解、Hjorth參數四種方法進行特征提取,采用所提出的算法進行特征選擇并與主成分分析算法對比,實驗結果表明,所提出算法的降維效果更好,以支持向量機為分類器,相同維數的主成分,所得分類正確率更高。
本文嘗試通過腦電信號檢測方法輔助多動癥兒童進行臨床個體化診斷。首先基于一種經典的干擾控制試驗任務Simon-spatial Stroop范例采集14名多動癥兒童和16名正常兒童的腦電數據, 并完成濾波、分段、去偽跡等預處理; 然后采用主成分分析(PCA)進行電極優化選擇, 分別選取每種刺激模式下出現率90%以上的優化電極作為共有電極, 并提取共有電極潛伏期(200~450 ms)波幅的均值特征; 最后采用基于歐氏距離的k-最近鄰(KNN)和基于徑向基核函數的支持向量機(SVM)分類器來分類。實驗發現同種試驗任務中多動癥兒童比正常兒童表現出更低的反應正確率和更長的反應時間; 多動癥兒童與正常兒童的前額葉優化電極均出現N2, 頂枕葉均有P2出現, 且多動癥兒童的峰值更低; 在該實驗中KNN分類準確率高于SVM分類器, StI刺激模式下KNN分類器的最高分類準確率為89.29%。以上結果說明, 干擾控制試驗中多動癥兒童與正常兒童的前額葉及頂枕葉的腦電信號存在差異, 該結果可為多動癥個體的腦電信號臨床診斷提供一定科學依據。
為實現對不同階段睡眠的快速、便捷分期，本文實驗分析了心率變異性（HRV）與睡眠分期的相關性，利用支持向量機（SVM）實現了基于HRV信息的睡眠自動分期的算法。對天津市胸科醫院的33例臨床心電數據進行了R-R提取和主成分分析（PCA），并利用SVM對睡眠中的不同階段進行建模和預測，將分期的預測結果與基于腦電金標準的睡眠分期標注結果比對，對于三期睡眠的預測準確度超過80%，說明HRV與睡眠各期具有良好的相關性。該方法是對傳統睡眠分期方法的一種補充，具有實際使用價值。
目的探討阻塞性黃疸患者與健康人腸道菌群結構的變化特征。 方法選取筆者所在醫院2013年2月至2014年8月期間連續性20例阻塞性黃疸患者及同期10例健康體檢人員（正常對照組）作為研究對象，留取阻塞性黃疸患者入院后晨起第1次糞便，提取糞便總的微生物DNA，經PCR擴增后行變性梯度凝膠電泳（DGGE），動態觀察菌群結構變化，分析凝膠條帶，對菌群結構進行相似性、多樣性和主成分分析。 結果阻塞性黃疸患者結腸微生物結構與正常對照組的結腸微生物結構之間存在明顯差異；阻塞性黃疸患者腸道優勢菌群數量明顯低于正常對照組，隨著梗阻時間的延長及梗阻程度的加重，其腸道優勢菌群在數量、豐富度及多樣性上呈逐漸下降趨勢（P＜0.05）。 結論阻塞性黃疸患者結腸菌群結構與健康人的結腸菌群結構存在明顯差異。
針對多參數流式細胞數據分析過程復雜、自動化程度不高、要求操作者具有一定專業背景等問題，本文提出了一種基于核主成分分析算法（KPCA）進行多參數流式細胞數據分群的方法。利用 KPCA 對多參數流式細胞數據進行非線性變換，降低數據的維度，得到主成分特征變量下的散點圖分群結果，并使用改進的K-means 聚類算法實現不同亞群的自動設門。以人體外周血淋巴細胞樣本檢測結果為實驗數據，分別對其進行傳統分群、主成分分析（PCA）分群、KPCA 分群處理，并對特征參數的選取進行了探索。結果表明，KPCA 方法能夠較好地應用于多參數流式細胞數據分析中，與傳統細胞分群方法相比，該方法無需操作者具備專業知識，即可實現快速準確的自動分群，能夠提高流式細胞儀臨床診斷分析的效率。
為了實現血液中肝癌細胞的自動識別，本文基于主成分分析（PCA）和反向傳播（BP）神經網絡算法對三種細胞（小鼠的白細胞、紅細胞和人體肝癌細胞 HepG2）進行了識別研究。利用光纖共聚焦后向散射（FCBS）光譜儀獲取光譜數據后進行 PCA，選取前兩個主成分作為光譜的特征，建立一個具有 2 個輸入層節點、11 個隱層節點、3 個輸出節點的神經網絡模式識別模型。選取 195 例對象數據訓練該模型，隨機抽取 150 組數據作為訓練集，45 組數據作為測試集，驗證模型給出的細胞是否識別準確。結果顯示三種細胞的整體識別準確率在 90% 以上，平均相對偏差只有 4.36%。實驗結果預示采用 PCA+BP 算法能夠從紅細胞和白細胞中自動識別肝癌細胞，這將為研究肝癌的轉移與肝癌的生物代謝特性提供有利的工具。
音樂誘發下的情感狀態評估結果可為輔助音樂治療提供理論支持與幫助。情感狀態評估的關鍵是情感腦電的特征提取，故本文針對情感腦電特征提取算法的性能優化問題開展研究。采用 Koelstra 等提出的分析人類情緒狀態的多模態標準數據庫 DEAP，提取 8 種正負情緒代表各個腦區的 14 個通道腦電數據，基于小波分解重構 δ、θ、α、β 四種節律波；在分析比較小波特征（小波系數能量和小波熵）、近似熵和 Hurst 指數三種腦電特征情感識別效果的基礎上，提出一種基于主成分分析（PCA）融合小波特征、近似熵和 Hurst 指數的腦電特征提取算法。本算法保留累積貢獻率大于 85% 的主成分，并選擇特征根差異較大的特征參數，基于支持向量機實現情感狀態評估。結果表明，使用單一小波特征（小波系數能量和小波熵）、近似熵和 Hurst 指數特征量，情感識別的正確率均值分別是 73.15%、50.00% 和 45.54%，而改進算法識別準確率均值在 85% 左右。基于改進算法情感識別的分類準確率比傳統方法至少能提升 12%，可為情感腦電特征提取以及輔助音樂治療提供幫助。
針對提高情感識別正確率這一國際開放問題，本文提出了一種基于小波包熵和自回歸模型相結合的腦電信號特征提取算法。自回歸過程能最大程度逼近腦電信號，用很少的自回歸參數提供豐富的譜信息。小波包熵反映腦電信號在各個頻帶中的譜能量分布情況。將二者結合，能夠更好地體現腦電信號的能量特征。本文基于核主成分分析方法，實現了腦電信號特征提取融合。課題組采用情感腦電國際標準數據集（DEAP），選取 6 類情感狀態以本文算法進行情感識別。結果顯示，本文算法情感識別正確率均在 90% 以上，最高情感識別正確率可達 99.33%。本文的研究結果表明，該算法能夠較好地提取腦電信號情感特征，是一種有效的情感特征提取算法。