警覺度是人在一段時間里保持持續注意力的能力。為了探求在工作過程中警覺度隨時間的變化規律,本文設計了以三位數加減法來誘導警覺度發生變化的實驗,并通過警覺度任務(PVT)實驗結合腦電測量該變化過程,提取并分析了11例受試者腦電信號排列熵(PE)這一復雜性度量,并與非線性參數樣本熵(SE)做了簡要比較。實驗結果表明:該算法可以很好地反映警覺度下降時腦電信號的動態變化過程,且運算速度快,抗噪能力強,對腦電信號長度要求低,可以作為衡量大腦警覺度的指標。
腦電圖是人腦神經元動態活動的綜合表現形式,可以用來研究癲癇的腦部病理變化。本文引入多尺度排列熵(MPE)的概念,將其應用于癲癇患者和健康人的腦電圖特征提取,并將所有特征參數送入支持向量機(SVM)進行分類。實驗結果表明,在區分癲癇患者和健康人的腦電圖時平均分類精度達100%,癲癇發作間期和發作期的平均分類精度為99.58%。與同時輸入的1~5個單尺度排列熵(PE)對比分析發現,MPE比PE更能反映癲癇腦電圖多尺度上的特征,能更好、更穩定地實現癲癇預測。
腦電圖（EEG）分析對癲癇疾病的診斷具有重要的參考價值，對癲癇腦電信號的自動分類可以及時對患者的情況作出判斷，在臨床上有很重要的意義。為解決腦電信號采用單一特征識別率不高的問題，同時也為避免小波基函數的選取對分類結果的影響，本文提出了一種基于 S 變換和排列熵（PE）的癲癇腦電信號自動判別方法，首先將原始腦電信號進行離散 S 變換，再對變換后腦電信號各節律的系數分別求其波動指數，并與腦電信號的排列熵值共同組成特征向量送入 Real AdaBoost 分類器進行癲癇各時期的判別。本研究采用德國波恩大學癲癇研究中心數據庫，對正常人清醒睜眼，癲癇患者發病間歇期致癇灶內及發作期 3 組腦電信號數據進行方法有效性檢驗。研究結果表明，各節律的波動指數可有效表征正常、癲癇發作間期和癲癇發作期腦電信號，且多種特征的識別率明顯優于單一特征，平均識別率可達到 98.13%，相比于僅提取時頻特征或非線性特征，識別率分別提高了 1.2% 和 8.1% 以上，優于文獻中報道的多種方法。因此，本方法在癲癇疾病的診斷方面有較好的應用前景。
為了消除運動偽差、高頻噪聲和基線漂移對光電容積脈搏波（PPG）的影響，得到運動狀態下心率的準確值，本文提出了一種基于歸一化最小均方差（NLMS）自適應濾波器聯合集合經驗模態分解（EEMD）分析的 PPG 信號降噪方法。首先，將含有噪聲的 PPG 信號以 3 軸加速度傳感器為參考信號通過自適應濾波器，濾除其中的運動偽差；其次，將 PPG 信號通過 EEMD 分解得到一系列按頻率由高到低的固有模態分量（IMF），通過排列熵（PE）準則判斷信號的閾值范圍，從而濾除其中的高頻噪聲和基線漂移。實驗結果顯示，不同運動狀態下，降噪后 PPG 信號的計算心率和基于心電信號（ECG）的標準心率的皮爾遜相關系數為 0.731，平均絕對誤差百分比為 6.10%，從而表明該方法能夠準確計算出運動狀態的心率，有利于人體運動狀態下的生理監測。
針對心音信號非平穩性、非線性的特征，為了更直觀地把心音信號的特征顯示出來，提高分類識別的高效性，提出了一種自適應噪聲完備經驗模態分解（CEEMDAN）排列熵作為心音信號的特征向量，通過支持向量機（SVM）進行心音分類識別的方法。首先，將原始心音信號進行CEEMDAN，得到若干從高頻到低頻的模態分量（IMF）。其次，利用IMF分量與原始信號的相關系數、能量因子和信噪比來優選IMF做Hilbert變換，得到分量信號的瞬時頻率，再計算各IMF排列熵值組成特征向量。最后，將特征向量輸入SVM二分類器進行正常與異常心音信號的分類識別。對源自2016年PhysioNet/CinC挑戰賽的100例心音樣本進行正常與異常的分類，準確度達到87%。研究表明本文方法相比于常用的EMD和EEMD排列熵的方法準確度提高了18%～24%，可見，CEEMDAN排列熵結合SVM的方法能夠有效識別正常和異常心音。