基于低秩稀疏分解的新型脑电信号处理方法

发布时间：2021-10-06 23:12

　　脑电信号处理作为脑机接口的基础,在神经科学、医学、生理学等研究领域发挥着重要的作用,关于脑电信号处理方法的研究已经成为脑机接口研究的一个重要课题。目前常见的脑电信号处理方法如独立成分分析等都是从信号的“源”出发通过一系列变量的线性叠加来近似原信号。本文针对脑电信号的处理,从信号的组成部分出发,提出了一种新的假设:脑电信号是由背景信号与任务意识信号组成,固有背景信号是被试在任何状态下所具有相对稳定的脑电信号,任务意识信号是由被试在特定任务下由相应皮层神经元激活所产生的,而实际采集到的脑电信号是以上两者和噪声的混合叠加。然后本文从以下几个方面对脑电信号处理进行了研究。1)本文提出了基于低秩稀疏分解的脑电信号处理方法。首先对低秩稀疏分解进行详细的研究,并简单介绍了一些算法。然后基于低秩稀疏分解处理脑电信号,建立脑电信号的低秩稀疏分解模型,认为脑电信号是由低秩的固有背景信号与稀疏的任务意识信号叠加而成,进而探索新型的脑电信号处理方法。2)本文提出了基于脑电信号低秩部分的身份识别方法。为了研究脑电信号的低秩部分为固有背景信号,是被试在任何状态下所具有的相对稳定的脑电信号,在身份识别中,基于低秩稀... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

包含眼电伪迹的模拟脑电信号的分解结果

、稀疏矩阵 以及噪声 三部分。如图 3.1 所示，原始脑电信号 X 经过 GoDec 算法分解后可得到低秩部分 L。图3.1 原始脑电信号分解定义如下损失函数： ￠ ( ) ≤ ( ) ≤ (3.1)也就是低秩稀疏分解后的低秩部分和稀疏部分重构原始脑电信号的误差最小，其中两个约束条件： 代表脑电背景信号 的秩， 代表任务意识信号 的基数， 越小，代表矩阵 越稀疏。脑电信号的低秩稀疏分解可被分解为如下两个子问题：{ = | ￠ ( )≤ = | ￠ ( )≤ (3.2)3.3 基于 GoDec 算法的脑电信号处理

可以看出，分解后的低秩部分 L 信号较为平稳，幅值较低，稀疏部分S 信号大部分为 0，噪声部分信号较为嘈杂。图3.2 基于GoDec的脑电信号分解3.4 特征提取基于上文脑电信号的处理后，我们对分解后得到的低秩部分 和原信号 分别提取信号特征。为了保证低秩部分 和原信号 结果的公平，使用同样的特征提取方法与分类方法分别进行处理，最终进行结果的比较与分析。在本章中，首先基于脑电信号的相位信息对原始脑电信号 和低秩部分 分别进行特征提取，作为身份识别的相位同步特征，至此完成一次特征提取。为了

【参考文献】：
期刊论文
[1]低秩矩阵恢复算法综述[J]. 史加荣,郑秀云,魏宗田,杨威.  计算机应用研究. 2013(06)
[2]从压缩传感到低秩矩阵恢复:理论与应用[J]. 彭义刚,索津莉,戴琼海,徐文立.  自动化学报. 2013(07)
[3]脑电信号的若干处理方法研究与评价[J]. 谢松云,张振中,杨金孝,张坤.  计算机仿真. 2007(02)
[4]图像的多尺度几何分析:回顾和展望[J]. 焦李成,谭山.  电子学报. 2003(S1)
[5]时频测试方法在脑电信号分析中的应用[J]. 季忠,秦树人.  重庆大学学报(自然科学版). 2003(11)
[6]小波分析发展综述[J]. 曹怀信,赵建伟.  咸阳师范学院学报. 2002(06)
[7]混沌及其在生物医学工程中的应用[J]. 刘心东,蒋大宗.  国外医学.生物医学工程分册. 1993(02)

硕士论文
[1]低秩与稀疏矩阵恢复问题的若干研究[D]. 丁玲.浙江大学 2012



本文编号：3420922