• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于排列熵與多重分形指數(shù)結(jié)合的特征提取算法在情感識別中的應用①

    2017-01-10 06:33:46齊曉英田彥秀孫小棋范夢頔蔡二娟
    高技術通訊 2016年7期
    關鍵詞:腦電電信號分形

    李 昕 齊曉英 田彥秀 孫小棋 范夢頔 蔡二娟

    (*燕山大學電氣工程學院生物醫(yī)學工程研究所 秦皇島 066004)(**河北省測試計量技術及儀器重點實驗室 秦皇島 066004)(***北京工業(yè)大學 生命科學與生物工程學院 北京 100124)

    ?

    基于排列熵與多重分形指數(shù)結(jié)合的特征提取算法在情感識別中的應用①

    李 昕②******齊曉英***田彥秀***孫小棋***范夢頔***蔡二娟***

    (*燕山大學電氣工程學院生物醫(yī)學工程研究所 秦皇島 066004)
    (**河北省測試計量技術及儀器重點實驗室 秦皇島 066004)
    (***北京工業(yè)大學 生命科學與生物工程學院 北京 100124)

    通過對腦電信號的熵分析,進行了情感識別研究,并根據(jù)腦電信號的非線性特性以及多重分形特性的特點,提出了一種排列熵與多重分形指數(shù)相結(jié)合的情感腦電特征提取算法。該算法采用排列熵、Hurst指數(shù)、質(zhì)量指數(shù)和奇異譜寬度相結(jié)合,實現(xiàn)情感腦電的特征提取,采用支持向量機(SVM))實現(xiàn)情感識別。結(jié)果顯示,該算法兩兩情感識別,測試集最高正確率達到92.8%,除去激動對可怕外,正確率均在80%以上;與單獨使用排列熵和分形指數(shù)特征的方法相比,最高正確率分別提高41.9%和31.2%。進一步分析了對積極和消極兩類情感狀態(tài)的識別效果,測試集平均正確率為78.3%,比排列熵與多重分形特征,測試集正確率分別提高了26.7%和1.6%。結(jié)果表明,基于排列熵與多重分形指數(shù)相結(jié)合的特征提取算法,能夠充分挖掘腦電信號的非線性特性與多重分形特征信息,是一種有效的情感腦電特征提取算法。

    腦電(EEG)信號,排列熵(PE),多重分形指數(shù),支持向量機(SVM)

    0 引 言

    1997年,麻省理工學院的Picard教授在她的專著《Affective Computing》中首次提出了“情感計算”這一概念,指出:“情感計算是與情感相關,來源于情感或能夠?qū)η楦惺┘佑绊懙挠嬎恪盵1],而情感識別是實現(xiàn)情感計算的基礎和核心內(nèi)容。腦電信號能夠充分反映人的生理與心理變化,同時腦電采集具有無創(chuàng)、便捷、低成本和高時間分辨率等特點,因此,基于腦電信號實現(xiàn)情感識別具有一定的研究意義與應用價值。

    為了更好地實現(xiàn)基于腦電信號的情感識別,情感腦電特征提取至關重要,基于熵與非線性動力學特征實現(xiàn)腦電特征提取,取得了一定進展。Murugappan等研究不同小波變換函數(shù)、腦電頻段以及電極個數(shù)對情感識別的影響,基于熵特征進行情感識別,正確率達到83.04%[2]。Hosseini等采集了FP1、FP2、T3、T4和Pz等電極的腦電信號,提取腦電信號的近似熵作為特征,利用支持向量機(support vector machine, SVM)算法進行情感識別,正確率為73.25%[3]。呂寶糧等使用共同空間模式提取腦電中γ波事件相關/事件去相關特征作為特征,區(qū)分高興和悲傷兩種情感,基于支持向量機進行識別,識別率達到93.5%[4]。

    排列熵是Bandt提出的一種基于復雜性測度的非線性參數(shù)算法,用于計算一維時間序列的復雜性,與李雅普若夫指數(shù)相似,但運算步驟和運算時間都相對較少,運算效率較高。排列熵算法適用于任何時間序列,例如規(guī)律的、混沌或含有噪聲的時間序列[5]。李谷等基于排列熵對睡眠腦電進行分析,利用支持向量機進行睡眠期識別,平均正確率達79.6%[6]。Edordo等人利用頭皮腦電排列熵作為預測癲癇的工具,計算每一個通道的排列熵,并按照排列熵大小分為高、中、低隨機性。研究發(fā)現(xiàn)失神癲癇病患者前腦區(qū)域出現(xiàn)高隨機性,在后腦區(qū)域出現(xiàn)低隨機性,與正常人相反,說明失神癲癇患者發(fā)生了多灶性腦改變[7]。Xiaoli L等用排列熵預測遺傳性缺失癲癇疾病,結(jié)果發(fā)現(xiàn)排列熵可以跟蹤腦電的動態(tài)變化,相對于樣本熵能夠較好地預測癲癇疾病[8]。

    多重分形去趨勢波動分析算法由Kantelhardt[9]等提出,是由多個標度指數(shù)組成,可以描述不同層次的分形特征,即長程相關性和標度不變性。張翔等研究了癲癇發(fā)作期腦電的多重分形特征,同時與癲癇腦電熵特征進行了比較,結(jié)果顯示,基于多重分形的癲癇檢測性能相對穩(wěn)定[10]。葛家怡等研究了睡眠腦電的多重分形特性,提取了廣義Hurst指數(shù),發(fā)現(xiàn)不同睡眠時期的Hurst指數(shù)不同,并且隨著時間尺度的增加而增大,變化趨勢一致,清醒狀態(tài)下腦電Hurst指數(shù)最大[11]。Akash等將多重分形去趨勢波動方法應用到音樂刺激腦電中研究了腦電節(jié)律變化。他們采集了前額腦電,利用經(jīng)驗模態(tài)分解和小波變化得到腦電節(jié)律,基于多重分形去趨勢波動方法研究了節(jié)律復雜度的變化,發(fā)現(xiàn)音樂刺激時β和α節(jié)律的奇異譜寬度增加[12]。利用多重分形指數(shù)實現(xiàn)腦電情感識別的研究正逐漸引起領域?qū)W者的重視。

    腦電信號具有長程相關性,同時也具有短程去相關性,所以單一參數(shù)對腦電的描述都不充分。本文針對腦電信號的非線性與混沌分形的特性,提出了一種排列熵與多重分形去趨勢波動分析方法相結(jié)合的情感腦電特征提取算法。該研究采用DEAP國際標準數(shù)據(jù)庫,基于支持向量機分類實現(xiàn)了該算法的情感腦電識別,將其性能與其他算法的性能進行了對比。

    1 排列熵與多重分形去趨勢波動分析

    1.1 排列熵

    排列熵基本原理是相鄰數(shù)據(jù)之間的比較,適用于分析非線性信息,具有很好的魯棒性,而且能夠很好地抑制噪聲。

    根據(jù)嵌入定理,設任一時間序列X={x(1),x(2),…,x(n)},按照Takens定理對這一時間序列進行重構(gòu),如下式

    j=1,2,…,K, K=n-(m-1)τ (1)

    所示。矩陣中的每一行作為一個分量,按照升序重新排列,如式

    x(j+(q1-1)τ)≤x(j+(q2-1)τ)≤… ≤x(j+(qm-1)τ)

    (2)

    所示,其中m為嵌入維數(shù),τ為延遲時間。q1,q2,…,qm分別為各個元素所在列的索引。如果存在相等的情況,則按照索引qm大小進行排序,例如qi

    (3)

    當序列為周期性序列時,排列熵最小為零,當序列為噪聲序列時,排列熵達到最大,最大值為ln(m!),

    通常利用ln(m!)對HP(m)進行歸一化處理,如下式所示:

    0≤HP=Hp(m)/ln(m!)≤1

    (4)

    歸一化排列熵反映了時間序列的隨機程度,排列熵越小,時間序列越規(guī)則,相反時間序列接近于隨機時間序列,反映了時間序列中的細微變化。

    1.2 多重分形去趨勢波動分析

    腦電的長程相關性和冪指數(shù)規(guī)律特性,表明腦電具有標度不變性,即分形特性,同時腦電也具有類似噪聲的短程去相關性。多重分形從不同維數(shù)描述腦電信號,更適合于腦電的分析。它是由多個標度指數(shù)組成,表示的是奇異測度,即用奇異譜函數(shù)描述不同層次的分形特征。

    多重分形去趨勢波動分析方法是一種新的多重分形分析法,即可以描述長程相關性和標度不變性,也可以判斷時間序列是否具有多重分形特性。

    若時間序列不是隨機游走序列,則將時間序列轉(zhuǎn)化為隨機游走序列,如下式所示:

    (5)

    將隨機游走序列{Y(i)}分成m個長度為s的不重疊區(qū)間,對每一個區(qū)間v(v=1,2,…,m)內(nèi)的點進行最小二乘法擬合得到n階擬合多項式y(tǒng)v(i),如下式(6)所示:

    yv(i)=…a1ik+a2ik+…+aki+ak+1,

    i=1,2,…,s; k=1,2,…,n (6)

    由下式(7)計算局部趨勢函數(shù)并計算方差:

    (7)

    對所有區(qū)間上的方差取均值,得到q階波動函數(shù),如下式(8)所示:

    (8)

    針對每一個q值,F(xiàn)q(s)和s的關系可以表示為

    Fq(s)~sh(q)

    (9)

    公式(9)兩邊分別取對數(shù),log(Fq(s))和logs為線性函數(shù),線性函數(shù)的斜率H(q)即為Hurst指數(shù),Hurst指數(shù)與q一般成非線性,如果為線性函數(shù),則時間序列為單分形。

    通過Hurst指數(shù)計算質(zhì)量指數(shù)τ(q),如式(10)所示:

    τ(q)=qH(q)-1

    (10)

    質(zhì)量指數(shù)計算奇異指數(shù)α和奇異維數(shù)f(α),如下式(11)表示:

    f(α)=q·α(q)-τ(q)

    (11)

    奇異指數(shù)反映了區(qū)間奇異程度,與奇異性成反比。奇異維數(shù)反映了分形結(jié)構(gòu)上的不均勻性,代表奇異指數(shù)的維數(shù)。Δα=αmax-αmin表示分形譜的寬度,奇異譜寬度代表最大概率和最小概率之間的差別,Δα越大,時間序列分布越不均勻,多重分形越明顯。所以多重分形去趨勢波動指數(shù)包括Hurst指數(shù)、質(zhì)量指數(shù)、奇異指數(shù)、奇異維數(shù)和奇異譜寬度。

    2 基于排列熵與多重分形去趨勢波動分析結(jié)合的情感腦電特征提取

    2.1 數(shù)據(jù)選擇

    采用Koelstra等提出的分析人類情感狀態(tài)的多通道數(shù)據(jù)庫DEAP[13],該實驗數(shù)據(jù)記錄了32位健康受試者觀看40個時長為一分鐘的不同音樂視頻時的腦電信號和外周生理信號。受試者的平均年齡26.9歲,男女各半。數(shù)據(jù)集已經(jīng)過預處理,除去眼電等噪聲信號,采樣頻率為128Hz,采用4.0~45Hz濾波,可以直接進行分析。根據(jù)文獻[14]得知,激動、可怕、高興情感在C4通道腦電特征較明顯,抑郁、柔和、難過情感在F3通道較明顯,本文只針對這6種情感腦電信號進行分析。

    數(shù)據(jù)長度的選擇對分析結(jié)果具有一定的影響,本文中采用的數(shù)據(jù)庫每一組共包含8064個數(shù)據(jù)點,前三秒屬于基線數(shù)據(jù),不用于分析,所以用于分析的數(shù)據(jù)點變?yōu)?680個,本文分別對1000、3000和5000個數(shù)據(jù)點進行比較分析,選出較為合適的數(shù)據(jù)長度。

    以高興和難過兩類情感為例,分別計算了3種數(shù)據(jù)點兩種算法的運算時間和識別正確率,如表1所示。

    通過表1對比,1000個數(shù)據(jù)點排列熵運算時間最短,正確率較低,3000個數(shù)據(jù)點和5000個數(shù)據(jù)點正確率雖然較高但是運算時間較長,而且正確率相對于1000個數(shù)據(jù)點僅僅提高了0.4%,所以排列熵算法選擇1000個數(shù)據(jù)點。對于多重分形算法,1000個數(shù)據(jù)點不管是運算時間還是正確率都顯示出優(yōu)勢。所以本文算法選擇1000個數(shù)據(jù)點進行分析。

    表1 情感數(shù)據(jù)選擇

    2.2 基于排列熵情感腦電特征提取

    本文選取32個被試者的情感數(shù)據(jù)1000個,嵌入維數(shù)m取值為5,延遲時間τ為1,即每一維連續(xù)取5個數(shù)據(jù)點,所以重構(gòu)時間序列的符號序列共有120種。六種情感腦電排列熵如圖1所示,六種情感依次為激動、可怕、高興、憂郁、柔和與難過,每一種情感包含32個排列熵,即圖中前32個點代表激動,33~64個點代表可怕,依次類推。前四種情感波動較為明顯,排列熵的浮動較大,說明六種情感具有差異性。

    圖1 情感排列熵

    為了進一步分析六種情感排列熵的差異,對六種情感的32組數(shù)據(jù)求取均值,如圖2所示。憂郁情感腦電排列熵較大,難過情感腦電排列熵較小,激動、柔和和難過三種情感排列熵明顯低于其他三種。六種情感的排列熵差別并不顯著,差值只有千分之一。

    基于支持向量機分類器實現(xiàn)兩兩情感識別,正確率如表2所示,表明:排列熵特征情感識別正確率僅為50%左右,并不能充分挖掘情感腦電信號的特征本質(zhì)。

    圖2 情感排列熵均值

    2.3 多重分形去趨勢波動分析

    基于多重分形去趨勢波動方法提取的情感腦電特征參數(shù)主要包括Hurst指數(shù)、質(zhì)量指數(shù)、奇異指數(shù)和奇異譜寬度等。Hurst指數(shù)主要判斷時間序列是否具有混沌性,Hurst指數(shù)不同,數(shù)據(jù)相關性也不同,Hurst指數(shù)接近1時說明時間序列相關性最強。 質(zhì)量指數(shù)與階數(shù)之間若為曲線,證明情感腦電具有多重分形特性,若為線性,則為單分形特性。奇異指數(shù)用來描述各個區(qū)間不同的奇異程度,與奇異性成反比,奇異譜寬度指在一定階數(shù)范圍內(nèi)奇異指數(shù)的范圍。本文中取階數(shù)范圍為[-5 5],在這個范圍內(nèi)Hurst指數(shù)大部分在[0.5 1]之間。

    基于多重分形指數(shù)分析六種情感,如圖3為六種情感的多重分形奇異譜圖。六種情感多重分形譜圖都為單峰拱形,說明情感數(shù)據(jù)具有分形特性。

    圖3 情感多重分形譜

    同樣計算六種情感的奇異譜寬度均值,進行對比,如圖4所示。由圖可知,六種情感的奇異譜寬度雖然有差異,但較小,所以基于單個多重分形指數(shù)進行情感識別效果可能會不理想。

    圖4 情感奇異譜寬度均值

    基于奇異譜寬度實現(xiàn)情感腦電特征提取,通過支持向量機進行情感識別,結(jié)果如表2所示。結(jié)果顯示,基于多重分形奇異譜寬度進行情感識別測試正確率高于排列熵的正確率,均達到50%以上,其中激動對難過正確率提高了13.6%,但是基于奇異譜寬度的識別效果也并不理想,最高達到64.5%,最低為52.8%,并不能對六種情感進行一對一識別。

    綜合腦電信號的Hurst指數(shù)、質(zhì)量指數(shù)、奇異譜寬度三個多重分形參數(shù)特征實現(xiàn)情感識別,識別率如表2所示。

    表2 情感腦電識別正確率對比

    由表2得出多個多重分形指數(shù)的識別正確率明顯高于單一指數(shù)的識別正確率,最高提高了19.0%,測試集正確率都在60%以上,最高達到76.0%,說明基于多個多重分形進行情感識別效果較好。為了進一步提高識別正確率,本文將熵與多重分形指數(shù)結(jié)合進行了6種不同情感的識別。

    2.4 基于排列熵與多重分形相結(jié)合的情感腦電提取算法

    基于以上分析,提出了一種基于排列熵與多重分形相結(jié)合的情感腦電提取算法。算法流程如圖5所示。

    算法充分考慮腦電信號的非線性特點以及多重分形特征,結(jié)合排列熵、Hurst指數(shù)、質(zhì)量指數(shù)和奇異譜寬度,實現(xiàn)情感腦電特征提取。采用支持向量分類(C-SVC)模型以及徑向基函數(shù)(RBF),通過遺傳算法(GA)尋求最優(yōu)懲罰系數(shù)C和核參數(shù)σ,首先選擇實值編碼策略,設置種群大小取20代,最大進化代數(shù)設定為100,交叉和變異概率分別設為0.4和0.01。為了防止排列熵與多重分形指數(shù)產(chǎn)生過擬合,本文采用主成分分析對特征進行特征融合。

    圖5 排列熵與多重分形情感特征提取算法流程圖

    選取32組情感腦電數(shù)據(jù)點,循環(huán)分類10次,取測試識別正確率平均值進行結(jié)果分析,結(jié)果如表2所示。

    排列熵與多重分形指數(shù)相結(jié)合實現(xiàn)情感狀態(tài)識別,測試集正確率在80%以上,可怕對高興達到92.8%。相對于單獨使用熵或分形指數(shù)正確率明顯提高,只有激動對可怕正確率有所降低,可能原因是這兩種情感在某種情況下相似。

    將激動和高興作為積極情感,抑郁和難過作為消極情感,基于本文算法對兩種不同反應的情感狀態(tài)進行識別,結(jié)果見表3。

    表3表明本文算法提高了情感識別的正確率,對積極和消極情感狀態(tài)的識別了測試集正確率達到78.3%,相對于其他三種方法分別提高了27.7%、19.9%和1.6%,說明用本文算法進行情感識別是可行的。

    本文算法對可怕與高興兩種情感狀態(tài)識別的正確率較高,激動對可怕識別率較低,分析原因是這兩種情感較為接近,例如感到高興時,情緒有可能是激動狀態(tài),其余任何兩種情感識別正確率都達到了80%以上,其中激動對難過、可怕對高興、可怕對抑郁、高興對柔和與抑郁對柔和識別率都達到90%以上,說明排列熵與多重分形標度指數(shù)結(jié)合可以很好地識別兩種不同情感。同時本文算法對積極和消極情感進行識別,識別率達到70%以上,說明基于本文算法進行情感識別是有效的。

    表3 積極和消極情感狀態(tài)識別率

    為了評估本文算法性能,分析比較了本文算法與其他研究組的工作,如表4所示。由于表4中所采用的情感腦電數(shù)據(jù)來源不同,特征提取和個數(shù)不同,所以本文只是對各個研究組的結(jié)果予以簡單比較說明。表4表明,選擇支持向量機作為分類器實現(xiàn)情感識別,識別正確率均在70%以上,Murugappan采用k近鄰(KNN)分類器,識別最高正確率達到83.04%,本文算法最高正確率達到92.80%。

    表4 情感識別正確率比較

    3 結(jié) 論

    本文提出了一種基于排列熵與多重分形去趨勢波動指數(shù)相結(jié)合的情感腦電特征提取算法,以支持向量機作為分類器實現(xiàn)情感識別,并對算法在情感腦電識別中的性能進行了比較。積極與消極兩類情感狀態(tài)識別結(jié)果顯示:基于本文算法測試集正確率達到78.3%,相對于其他特征選擇方法較高。六種情感狀態(tài)一對一識別結(jié)果表明:測試集識別正確率最高達到92.8%,除了激動對可怕外,其余都在80%以上。本文算法與單獨使用排列熵、多重分形特征相比,測試集識別正確率分別提高了41.6%和31.2%。基于排列熵與多重分形指數(shù)相結(jié)合,是一種高效的情感腦電特征提取算法,可以有效地提取腦電的非線性和分形特性特征。

    [ 1] Picard R W, Healey J. Affective wearables .PersonalTechnologies, 1997, 1(4): 231-240

    [ 2] Murugappan M, Nagarajan R, Yaacob S. Combining spatial filtering and wavelet transform for classifying human emotions using EEG signals.JournalofMedicalandBiologicalEngineering, 2011, 31(1): 45-51

    [ 3] Hosseini S A, Naghbi-Sistani M B. Emotion recognition method using entropy analysis of EEG signals.InternationalJournalofImage,GraphicsandSignalProcessing(IJIGSP), 2011,3(5): 30-36

    [ 4] Li M, Lu B L. Emotion Classification Based on gamma-band EEG. In: Proceedings of the IEEE Engineering in Medicine and Biology Society,Minnesota, USA, 2009. 1223-1226

    [ 5] Bandt C, Pompe B. Permutation entropy:a natural complexity measure for time series.PhysicalReviewLetters, 2002, 88(17): 1595-1602

    [ 6] 李谷, 范影樂, 龐全. 基于排列組合熵的腦電信號睡眠分期研究. 生物醫(yī)學工程雜志 2009,26(4): 869-872

    [ 7] Edoardo F, Nadia M, Vittoria C, et al. Permutation entropy of scalp EEG: A tool to investigate epilepsies Suggestions from absence epilepsies.ClinicalNeurophysiology, 2014, 1(125):13-20

    [ 8] Xiaoli L, Gaoxian O, Douglas A R. Predictability analysis of absence seizures with permutation entropy.EpilepsyResearch, 2007, 1(77):70-74

    [ 9] Kantelhardt J W, Zschiegner S A, Bunde E K, et al. Multifractal detrended fluctuation analysis of nonstationary time series.PhysicaA:StatisticalMechanicsanditsApplications, 2002, 316(1/4): 87-114

    [10] 張翔, 丁勇, 劉小峰. MF-DFA在癲癇發(fā)作期及發(fā)作強度檢測中的應用. 數(shù)據(jù)采集與處理 2013, 28(5): 664-671

    [11] 葛家怡, 周鵬, 趙欣等. 睡眠腦電信號的多重分形去趨勢波動分析. 天津大學學報, 2008, 41(10): 1148-1151

    [12] Akash K M, Ruchira P, Anubrato M, et al. Mutifractal detrended fluctuation analysis of alpha and theta EEG rhythms with musical stimuli.Chaos,SolitonsandFractals, 2015, 1(18):52-67

    [13] Koelstra S, Muhl C, Soleymani M, et al. DEAP: A database for emotion analysis using physiological signals.AffectiveComputing, 2012,3(1): 18-31

    [14] 李紅紅. 腦電數(shù)據(jù)分析方法及其在壓力情感狀態(tài)評估中的應用:[碩士學位論文]. 秦皇島: 燕山大學生物醫(yī)學工程系, 2014. 19-34

    doi:10.3772/j.issn.1002-0470.2016.07.002

    Application of the feature extraction based on combination of permutation entropy and multi-fractal index to emotion recognition

    Li Xin******, Qi Xiaoying***, Tian Yanxiu***, Sun Xiaoqi***, Fan Mengdi***, Cai Erjuan***

    (*Institute of Biomedical Engineering, Yanshan University, Qinhuangdao 066004)(**Measurement Technology and Instrumentation Key Lab of Hebei Province, Qinhuangdao 066004)(***The College of Life Science and Bio-Engineering, Beijing University of Technology, Beijing 100124)

    The emotion recognition was studied by using the entropy analysis of EEG signals, and an algorithm for extraction of emotion EEG features based on the combination of permutation entropy and multi fractal index was put forward. The algorithm achieves EEG feature extraction by combinative use of the parameters of permutation entropy, Hurst exponent, mass index and singular spectrum width, and achieves the emotion recognition by using Support Vector Machine (SVM). The study indicated that for one-to-one emotion recognition, the highest accuracy of the testing set was 92.8%, all higher than 80% except for excitement against fear. The highest accuracy increased by 41.9% compared with the permutation entropy, and 31.2% compared with the multi-fractal index. The classification effects of positive emotion and passive emotion were further analyzed, and the average accuracy of test set was 78.3%, respectively increased by 26.7% and 1.6% compared with the entropy and the multi-fractal feature. The method based on the combination of permutation entropy and multi-fractal index is proved to be an effective algorithm for emotion EEG feature extraction, with the capacity of sufficient obtaining the nonlinear trait and multi fractal feature information.

    electroencephalogram (EEG) signal, permutation entropy (PE), multi-fractal indexes, support vector machine (SVM)

    10.3772/j.issn.1002-0470.2016.07.001

    ①河北省自然科學基金(F2014203244)和中國博士后科學基金(2014M550582)資助項目。

    ②女,1970年生,博士,教授;研究方向:醫(yī)學信息處理;聯(lián)系人,E-mail: yddylixin@ysu.edu.cn (

    2016-03-28)

    猜你喜歡
    腦電電信號分形
    基于聯(lián)合聚類分析的單通道腹部心電信號的胎心率提取
    感受分形
    基于Code Composer Studio3.3完成對心電信號的去噪
    科技傳播(2019年24期)2019-06-15 09:29:28
    分形之美
    分形空間上廣義凸函數(shù)的新Simpson型不等式及應用
    基于隨機森林的航天器電信號多分類識別方法
    現(xiàn)代實用腦電地形圖學(續(xù))
    現(xiàn)代實用腦電地形圖學(續(xù))
    現(xiàn)代實用腦電地形圖學(續(xù)) 第五章 腦電地形圖的臨床中的應用
    現(xiàn)代實用腦電地形圖學(續(xù)) 第五章 腦電地形圖在臨床中的應用
    精品久久久久久久人妻蜜臀av| 久久久久性生活片| 神马国产精品三级电影在线观看| 国产免费视频播放在线视频| 日本黄大片高清| 国产精品伦人一区二区| 国产精品久久久久久精品电影| 不卡视频在线观看欧美| 婷婷色av中文字幕| 91在线精品国自产拍蜜月| 久久久成人免费电影| 国产av码专区亚洲av| 又黄又爽又刺激的免费视频.| 亚洲性久久影院| 秋霞在线观看毛片| 精品一区二区免费观看| 免费观看av网站的网址| 国产高清三级在线| 天美传媒精品一区二区| 神马国产精品三级电影在线观看| 久热这里只有精品99| 亚洲人与动物交配视频| 日本猛色少妇xxxxx猛交久久| 久久久久久久久久成人| 亚洲精品乱码久久久v下载方式| 亚洲国产色片| 色吧在线观看| 欧美最新免费一区二区三区| 尤物成人国产欧美一区二区三区| 日日摸夜夜添夜夜爱| 97人妻精品一区二区三区麻豆| av在线亚洲专区| 超碰97精品在线观看| 欧美日韩视频高清一区二区三区二| 国产一区二区在线观看日韩| 黄色日韩在线| 极品少妇高潮喷水抽搐| 好男人视频免费观看在线| 国产成人91sexporn| 老司机影院毛片| 亚洲丝袜综合中文字幕| 麻豆乱淫一区二区| 欧美xxxx黑人xx丫x性爽| 国产一区二区亚洲精品在线观看| 精品人妻偷拍中文字幕| 新久久久久国产一级毛片| 中国国产av一级| 一区二区三区精品91| 国产乱来视频区| 自拍欧美九色日韩亚洲蝌蚪91 | 国产精品嫩草影院av在线观看| 国产成人免费观看mmmm| 久久久久久九九精品二区国产| 午夜精品一区二区三区免费看| 性色avwww在线观看| 汤姆久久久久久久影院中文字幕| 人妻一区二区av| 五月天丁香电影| 最近最新中文字幕免费大全7| 中文天堂在线官网| 精品亚洲乱码少妇综合久久| 精品久久久久久久末码| 色吧在线观看| 麻豆久久精品国产亚洲av| 亚洲av中文字字幕乱码综合| 女人被狂操c到高潮| 超碰av人人做人人爽久久| 久久99蜜桃精品久久| 亚洲色图av天堂| 免费看日本二区| 69人妻影院| 成人国产麻豆网| 五月天丁香电影| 欧美少妇被猛烈插入视频| 国产精品偷伦视频观看了| 99精国产麻豆久久婷婷| 国产免费又黄又爽又色| 少妇熟女欧美另类| 亚洲欧美日韩卡通动漫| 国产老妇女一区| 美女高潮的动态| 亚洲精品日韩av片在线观看| 成人美女网站在线观看视频| 国产av不卡久久| 插逼视频在线观看| 亚洲精品国产av蜜桃| av免费观看日本| 日韩视频在线欧美| 亚洲国产精品成人综合色| 日韩一本色道免费dvd| 久久久久久久亚洲中文字幕| 一本久久精品| 九九在线视频观看精品| 天堂俺去俺来也www色官网| 一级毛片 在线播放| 成人毛片a级毛片在线播放| 免费av不卡在线播放| 免费看不卡的av| 免费黄频网站在线观看国产| 好男人在线观看高清免费视频| 一个人观看的视频www高清免费观看| 亚洲精品国产色婷婷电影| 国产精品一及| 少妇被粗大猛烈的视频| 国产精品一区二区性色av| 日韩国内少妇激情av| 波多野结衣巨乳人妻| 蜜桃亚洲精品一区二区三区| 下体分泌物呈黄色| 国产av国产精品国产| 美女xxoo啪啪120秒动态图| 国产女主播在线喷水免费视频网站| 午夜免费观看性视频| 精品久久久噜噜| 最近2019中文字幕mv第一页| 97在线视频观看| 午夜日本视频在线| 99re6热这里在线精品视频| 亚洲成人一二三区av| 91精品伊人久久大香线蕉| 亚洲精品成人久久久久久| 你懂的网址亚洲精品在线观看| 国产高清三级在线| 国产精品99久久99久久久不卡 | 免费电影在线观看免费观看| 国产日韩欧美在线精品| 嫩草影院新地址| 91久久精品电影网| 亚洲欧美日韩另类电影网站 | 日韩伦理黄色片| 男女无遮挡免费网站观看| 深爱激情五月婷婷| 国产精品一区二区在线观看99| 日本一二三区视频观看| 国产有黄有色有爽视频| 久久精品久久久久久久性| 国产欧美另类精品又又久久亚洲欧美| 午夜免费观看性视频| 噜噜噜噜噜久久久久久91| 人体艺术视频欧美日本| 一个人看视频在线观看www免费| 国产免费又黄又爽又色| 国产高清三级在线| 丝瓜视频免费看黄片| 成人无遮挡网站| 99九九线精品视频在线观看视频| 亚洲av成人精品一区久久| 国产91av在线免费观看| 人妻系列 视频| 一二三四中文在线观看免费高清| 亚洲精品乱久久久久久| 日韩欧美精品v在线| 高清午夜精品一区二区三区| 国产成人freesex在线| 精品久久久久久久人妻蜜臀av| 一级爰片在线观看| 精品亚洲乱码少妇综合久久| 最新中文字幕久久久久| 91狼人影院| 国产老妇伦熟女老妇高清| 2018国产大陆天天弄谢| 国产成人免费观看mmmm| 又粗又硬又长又爽又黄的视频| 国产男女内射视频| 国产男女内射视频| 免费观看无遮挡的男女| 下体分泌物呈黄色| 午夜精品国产一区二区电影 | 男男h啪啪无遮挡| 精品一区二区免费观看| 蜜臀久久99精品久久宅男| 一级毛片黄色毛片免费观看视频| 十八禁网站网址无遮挡 | 亚洲国产成人一精品久久久| 少妇熟女欧美另类| 中文乱码字字幕精品一区二区三区| 69av精品久久久久久| 欧美国产精品一级二级三级 | 两个人的视频大全免费| 一个人看视频在线观看www免费| 成人欧美大片| 99热6这里只有精品| 一本久久精品| 18禁在线播放成人免费| 久久久精品欧美日韩精品| 精品一区二区免费观看| 国产午夜精品久久久久久一区二区三区| 国产成人精品久久久久久| 伦理电影大哥的女人| 色综合色国产| 人妻制服诱惑在线中文字幕| 亚洲精品乱码久久久v下载方式| 狂野欧美白嫩少妇大欣赏| 精品人妻熟女av久视频| 亚洲va在线va天堂va国产| 亚洲婷婷狠狠爱综合网| 99九九线精品视频在线观看视频| 一级二级三级毛片免费看| 亚洲内射少妇av| 在线观看三级黄色| 亚洲内射少妇av| 国产av不卡久久| 男女边吃奶边做爰视频| 国产亚洲午夜精品一区二区久久 | 久久韩国三级中文字幕| 亚洲色图综合在线观看| 视频中文字幕在线观看| 欧美日韩视频高清一区二区三区二| 久久韩国三级中文字幕| 亚洲aⅴ乱码一区二区在线播放| 午夜福利视频精品| 97热精品久久久久久| 国产人妻一区二区三区在| 国产精品国产三级国产专区5o| 啦啦啦中文免费视频观看日本| 久久99热这里只频精品6学生| 观看美女的网站| 少妇裸体淫交视频免费看高清| 青青草视频在线视频观看| 校园人妻丝袜中文字幕| 丰满人妻一区二区三区视频av| 少妇丰满av| 在线观看一区二区三区| 26uuu在线亚洲综合色| 国产伦精品一区二区三区视频9| 国产一区二区三区av在线| 蜜臀久久99精品久久宅男| 97人妻精品一区二区三区麻豆| av播播在线观看一区| 国产精品成人在线| 男女无遮挡免费网站观看| 男人狂女人下面高潮的视频| 在线亚洲精品国产二区图片欧美 | 赤兔流量卡办理| 成人欧美大片| 尾随美女入室| 夫妻性生交免费视频一级片| 国产伦理片在线播放av一区| 一级毛片aaaaaa免费看小| av专区在线播放| 国产成人freesex在线| 岛国毛片在线播放| 亚洲经典国产精华液单| 成人黄色视频免费在线看| 国产成人精品婷婷| 大片免费播放器 马上看| 成年免费大片在线观看| 免费少妇av软件| 亚洲色图av天堂| 国产乱人视频| 久久人人爽人人爽人人片va| 偷拍熟女少妇极品色| 毛片一级片免费看久久久久| 国产人妻一区二区三区在| 性色av一级| 国产91av在线免费观看| 欧美日本视频| 成人亚洲欧美一区二区av| 久久久午夜欧美精品| 久久99蜜桃精品久久| 国产精品福利在线免费观看| 国产欧美另类精品又又久久亚洲欧美| 午夜亚洲福利在线播放| 禁无遮挡网站| 亚洲美女搞黄在线观看| 女人被狂操c到高潮| 香蕉精品网在线| 亚洲精品一区蜜桃| 亚洲精品一区蜜桃| 亚洲精品中文字幕在线视频 | 精品国产乱码久久久久久小说| 免费av观看视频| 99久国产av精品国产电影| 亚洲天堂国产精品一区在线| 欧美成人a在线观看| 五月玫瑰六月丁香| 成年女人看的毛片在线观看| 免费av观看视频| 日本一本二区三区精品| 国产在线一区二区三区精| 久久99热6这里只有精品| 亚洲aⅴ乱码一区二区在线播放| 午夜免费鲁丝| 男女那种视频在线观看| 国产真实伦视频高清在线观看| 美女cb高潮喷水在线观看| 色5月婷婷丁香| 各种免费的搞黄视频| 午夜激情福利司机影院| 99精国产麻豆久久婷婷| 一区二区三区四区激情视频| 80岁老熟妇乱子伦牲交| 日日撸夜夜添| 国产v大片淫在线免费观看| 成人毛片60女人毛片免费| 欧美zozozo另类| 80岁老熟妇乱子伦牲交| 高清av免费在线| 中文字幕制服av| 日韩一本色道免费dvd| 国产精品女同一区二区软件| 日韩一区二区视频免费看| 看非洲黑人一级黄片| 亚洲欧美一区二区三区国产| 午夜福利在线观看免费完整高清在| 在线观看国产h片| 丝袜喷水一区| 99久久精品热视频| 欧美日韩亚洲高清精品| 只有这里有精品99| 一区二区三区乱码不卡18| 麻豆成人av视频| 久久久国产一区二区| 高清日韩中文字幕在线| 晚上一个人看的免费电影| 国产永久视频网站| 免费观看性生交大片5| 国产伦精品一区二区三区四那| 免费av毛片视频| 国产精品久久久久久精品古装| 亚洲av二区三区四区| 欧美一区二区亚洲| 91精品一卡2卡3卡4卡| 黑人高潮一二区| 如何舔出高潮| 亚洲激情五月婷婷啪啪| 在线观看国产h片| 成人美女网站在线观看视频| 亚洲av男天堂| 国产91av在线免费观看| 国产 一区精品| 欧美xxxx性猛交bbbb| 高清午夜精品一区二区三区| 性插视频无遮挡在线免费观看| 日韩在线高清观看一区二区三区| 日本猛色少妇xxxxx猛交久久| 久久精品国产鲁丝片午夜精品| 街头女战士在线观看网站| 在线免费十八禁| 欧美区成人在线视频| 久久97久久精品| 欧美高清成人免费视频www| 国产av不卡久久| av在线app专区| 人体艺术视频欧美日本| 午夜日本视频在线| 菩萨蛮人人尽说江南好唐韦庄| 国产黄片视频在线免费观看| 人妻系列 视频| 亚洲精品中文字幕在线视频 | 日本一本二区三区精品| 亚洲国产精品国产精品| 一本一本综合久久| 久久久精品欧美日韩精品| 久久精品综合一区二区三区| 欧美日韩国产mv在线观看视频 | 日本爱情动作片www.在线观看| 国产中年淑女户外野战色| 国产乱人偷精品视频| 在线播放无遮挡| 交换朋友夫妻互换小说| 七月丁香在线播放| 国产成人a∨麻豆精品| 蜜桃亚洲精品一区二区三区| 国产又色又爽无遮挡免| 全区人妻精品视频| 亚洲av中文av极速乱| av国产免费在线观看| 免费电影在线观看免费观看| 激情五月婷婷亚洲| 国产av不卡久久| 免费观看无遮挡的男女| 日韩一区二区三区影片| 精品99又大又爽又粗少妇毛片| 成年免费大片在线观看| 久热久热在线精品观看| 日韩欧美一区视频在线观看 | 欧美bdsm另类| av一本久久久久| 午夜爱爱视频在线播放| 大又大粗又爽又黄少妇毛片口| 九九在线视频观看精品| 久久久久久伊人网av| 91久久精品国产一区二区成人| 亚洲精品第二区| 成人毛片60女人毛片免费| 色婷婷久久久亚洲欧美| 身体一侧抽搐| 亚洲国产精品成人久久小说| 男的添女的下面高潮视频| 中文乱码字字幕精品一区二区三区| 日本免费在线观看一区| 亚洲最大成人手机在线| 亚洲av日韩在线播放| 午夜福利视频1000在线观看| 人体艺术视频欧美日本| 亚洲av免费高清在线观看| 一级毛片黄色毛片免费观看视频| 亚洲最大成人手机在线| 男的添女的下面高潮视频| 国产 精品1| 中文天堂在线官网| 狂野欧美白嫩少妇大欣赏| 男的添女的下面高潮视频| 乱系列少妇在线播放| 日韩欧美 国产精品| 国产精品一区www在线观看| 麻豆久久精品国产亚洲av| 2021少妇久久久久久久久久久| 在线天堂最新版资源| 一区二区三区乱码不卡18| 亚洲国产高清在线一区二区三| 18禁裸乳无遮挡免费网站照片| 一级毛片黄色毛片免费观看视频| 久久久久网色| 国产乱人视频| 欧美丝袜亚洲另类| 国产精品偷伦视频观看了| 成人鲁丝片一二三区免费| av播播在线观看一区| 国产69精品久久久久777片| 亚洲精品,欧美精品| 99热这里只有是精品在线观看| 欧美亚洲 丝袜 人妻 在线| 久久久久性生活片| 国产真实伦视频高清在线观看| 国产精品久久久久久久久免| 亚洲国产av新网站| 在线观看一区二区三区激情| 国产成人福利小说| 国产午夜精品一二区理论片| 国产精品精品国产色婷婷| 色5月婷婷丁香| 国产黄片视频在线免费观看| 亚洲性久久影院| 青青草视频在线视频观看| 日韩,欧美,国产一区二区三区| 国产亚洲午夜精品一区二区久久 | 国产高清有码在线观看视频| 国产毛片在线视频| 一个人观看的视频www高清免费观看| 白带黄色成豆腐渣| 国产在视频线精品| 日韩欧美 国产精品| 99热6这里只有精品| 国产黄频视频在线观看| 18禁动态无遮挡网站| 国产精品秋霞免费鲁丝片| 老师上课跳d突然被开到最大视频| 一区二区av电影网| 成人亚洲欧美一区二区av| 久久国产乱子免费精品| 国产精品人妻久久久影院| 男人和女人高潮做爰伦理| 久久这里有精品视频免费| 午夜日本视频在线| 视频中文字幕在线观看| 中文字幕制服av| 插逼视频在线观看| 国产男女内射视频| 久久精品久久久久久久性| 国产欧美亚洲国产| 亚洲国产欧美在线一区| 狂野欧美白嫩少妇大欣赏| 欧美激情久久久久久爽电影| 高清日韩中文字幕在线| 久久精品夜色国产| www.av在线官网国产| 菩萨蛮人人尽说江南好唐韦庄| 亚洲欧美中文字幕日韩二区| 日韩在线高清观看一区二区三区| 久久国产乱子免费精品| 亚洲精品国产成人久久av| 内地一区二区视频在线| 日韩大片免费观看网站| 美女被艹到高潮喷水动态| 久久综合国产亚洲精品| 网址你懂的国产日韩在线| 国内精品宾馆在线| 亚洲精品日韩在线中文字幕| 国产91av在线免费观看| 中文精品一卡2卡3卡4更新| 看黄色毛片网站| 欧美激情在线99| 国产熟女欧美一区二区| 麻豆乱淫一区二区| 成人国产麻豆网| 精品一区二区三卡| 美女xxoo啪啪120秒动态图| 波野结衣二区三区在线| 最近2019中文字幕mv第一页| 亚洲精品成人久久久久久| 97在线人人人人妻| 夫妻午夜视频| 成年版毛片免费区| 中文乱码字字幕精品一区二区三区| av播播在线观看一区| 尤物成人国产欧美一区二区三区| 国产成人福利小说| 黄色一级大片看看| 一本一本综合久久| 亚洲熟女精品中文字幕| 国产 一区 欧美 日韩| 丰满乱子伦码专区| 国产毛片a区久久久久| 春色校园在线视频观看| 亚洲av国产av综合av卡| 亚洲久久久久久中文字幕| 大片电影免费在线观看免费| 欧美激情国产日韩精品一区| 久久国内精品自在自线图片| 日产精品乱码卡一卡2卡三| 99久久人妻综合| 亚洲内射少妇av| 看免费成人av毛片| 在线免费十八禁| 婷婷色综合大香蕉| 男女无遮挡免费网站观看| 亚洲精品久久午夜乱码| 日本黄大片高清| 天堂俺去俺来也www色官网| 国产伦精品一区二区三区视频9| 秋霞伦理黄片| 久久6这里有精品| 国产免费福利视频在线观看| 免费看日本二区| 五月玫瑰六月丁香| 亚洲欧美日韩东京热| 男人和女人高潮做爰伦理| 亚洲欧美日韩无卡精品| 中文字幕制服av| 亚洲国产av新网站| 韩国高清视频一区二区三区| 欧美成人午夜免费资源| 欧美日韩视频精品一区| 久热久热在线精品观看| 日韩不卡一区二区三区视频在线| 老女人水多毛片| 18禁裸乳无遮挡动漫免费视频 | 欧美bdsm另类| 国产在线一区二区三区精| 国产精品久久久久久精品电影| 99久久人妻综合| 在线观看三级黄色| 国产淫语在线视频| 综合色av麻豆| 亚洲国产精品999| 久久精品久久精品一区二区三区| 国产精品一区二区在线观看99| 亚洲婷婷狠狠爱综合网| 国产午夜福利久久久久久| 人妻少妇偷人精品九色| 国产成人精品久久久久久| 亚洲国产色片| 日韩一本色道免费dvd| 久久精品国产亚洲网站| 日本午夜av视频| 亚洲国产精品国产精品| 五月玫瑰六月丁香| 国产探花在线观看一区二区| 久久久精品94久久精品| 少妇的逼水好多| 国产精品精品国产色婷婷| 国产精品99久久久久久久久| 欧美日韩视频高清一区二区三区二| 国产精品99久久久久久久久| 色播亚洲综合网| 在线天堂最新版资源| 亚洲国产色片| 亚洲真实伦在线观看| 国产一级毛片在线| 最新中文字幕久久久久| 亚洲av在线观看美女高潮| 最近最新中文字幕免费大全7| 国产免费又黄又爽又色| 久久久久久久午夜电影| 伦精品一区二区三区| 免费观看无遮挡的男女| 肉色欧美久久久久久久蜜桃 | 国内少妇人妻偷人精品xxx网站| 少妇 在线观看| 亚洲成人精品中文字幕电影| 蜜桃久久精品国产亚洲av| 我的女老师完整版在线观看| 成年女人在线观看亚洲视频 | 日韩在线高清观看一区二区三区| 69人妻影院| 99视频精品全部免费 在线| 国产精品一区www在线观看| 亚洲欧美成人综合另类久久久| 欧美老熟妇乱子伦牲交| 日韩亚洲欧美综合| 日韩伦理黄色片| 91精品一卡2卡3卡4卡| 久久久色成人| 看非洲黑人一级黄片| 18+在线观看网站| 国产精品熟女久久久久浪| 日韩不卡一区二区三区视频在线| 熟女av电影| 男人爽女人下面视频在线观看| 99久久精品热视频| 内射极品少妇av片p| 麻豆成人午夜福利视频| 99热网站在线观看| 高清视频免费观看一区二区| 国产 精品1| 亚洲一级一片aⅴ在线观看| 国产毛片a区久久久久| 国产精品国产三级国产专区5o| 日韩三级伦理在线观看| 免费大片黄手机在线观看| 韩国av在线不卡| 高清av免费在线| 九九在线视频观看精品|