基于认知神经机制的脑电信号处理方法研究
发布时间：2020-11-04 02:57
随着神经成像技术的发展,借助脑电图(electroencephalogram,EEG)信号研究大脑产生各种心理、情绪和感知等高级功能的原理,能够提高对结构精致、性能高效的大脑的认识。然而,EEG具有微弱、随机、时变、强背景噪声、以及非平稳的特点,精准剖析EEG隐含的信息仍旧是一个亟待解决的问题。本文首先研究不同模式与脑区活跃程度的关系,通过溯源分析脑区的状态,提高对大脑的认识。同时,针对EEG信号分类准确率低的问题,提出了联合多节律信号与共空间模式(Common Spatial Pattern,CSP)来提取P300电位特征的方法,最后结合稀疏表达等知识从数据分析的角度改进分类器,提高分类准确率。本文的主要研究工作如下:(1)溯源分析。本研究随机选取15名在校学生作为被试者,记录在安静、长笛、古筝三种音乐环境下学习过程中的脑电信号,运用偶极子定位法分析信号源在大脑中可能出现的区域以及能量的强弱,从而对脑信号变化进行追踪。同时,实验利用电流密度重构法分析各个脑区的活跃情况,研究任务态的不同模式与脑区活跃程度的关系。(2)特征工程。当人体处于不同的生理状态时,在大脑皮层产生的各种节律信号的能量也是有差异的。通过对EEG信号的多维有效特征向量如时域特征、频域特征、空间特征等研究,本文提出了多节律EEG信号与CSP相结合的频域空间特征构建方法,来准确捕获EEG的模式识别信息。(3)基于稀疏表达的分类模型。主要负责对特征化的数据进行建模分析,构建多模式的识别模型,本文利用稀疏表达作为分类模型。其中,弹性网络作为约束不仅使得系数稀疏,而且解决了过拟合的问题,系统的泛化能力也得到提升。实验结果将从以下两个方面进行说明:1)通过实验发现音乐在被试者学习过程中可能有助于提高注意力;2)实验说明本文的方法能获取EEG有效的模式识别特征,分类效果达到了90.30%,证明了当前检测模型的高识别率。
【学位单位】：重庆邮电大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R741.044;TN911.7
【部分图文】：
而中枢神经系统或运动系统受到损伤的病人，如脊髓侧索硬化症(amyotrophic lateral sclerosis ALS)[17]，脊髓损伤(spinal cord injury, SCI)[18]、肌萎缩(muscular dystrophy, MD)[19]等带来福音，为他们提供一种与外界交流或控制外界设备的新途径，使患者再次拥有独立自主的能力。目前，BCI 系统通常使用缓慢的皮质电位(Slow Cortical Potentials, SCPs)[20]、α波和β波[21]等特殊的生理信号区分不同的大脑活动，进而针对不同模态的 EEG 信号输出不同的类别[22]。基于两种不同类型的运动想象可能引起两种类别的 EEG 信号，奥地利格拉茨科技大学的 Robert Leeb 等人开发出一套通过左右手运动想象得到 EEG 信号并且能够在线实时分析与模式识别的 BCI 系统[23]。当人体产生不同的感觉、行为、注意等活动时产生的 EEG 信号是有差异的，通过对 EEG 信号的特征构建和模式识别实现 BCI 接口，图 1.1 说明了整个 BCI 系统的组成结构。
由于当前把 P300 成分作为具有认知活动的电生理指标，目前已有越者探索 P300 的相关性质以及应用前景。例如，如果出现一系列事件，用户可以通过选择关注一个事件而忽略其他事件来进行交流。EG 信号特征构建与分类识别 EEG 信号分类系统中，对采集的 EEG 信号完成去除噪音等预处理后有关信号处理的部分。通过从多通道 EEG 信号中提取相关神经元活，并对有效特征信号进行模式识别。如何有效地提取 EEG 信号的特征特征对不同状态下的脑电信号进行分类，是近年来被研究的越来越。图 2.2 说明了一个完整的 EEG 信号分类过程以及传统的的特征提识别方法，下面的小节将对其进行详细介绍。
邮电大学硕士学位论文 第 2 章 脑电信号概找超平面，使所有样本点在该超平面线性可分，让相同标签的样本点间近越好，而不同标签间的距离越远越好。这个超平面使不同类别间距离最相应的分类模型叫做最大间隔分类器。目前，利用 SVM 对 EEG 数据实别已经普遍运用在相关领域了[69-71]，SVM 的优势在于能够解决样本量很样本线性不可分等模式识别问题，与神经网络的差别在于通过 SVM 能够最优解，图 2.3 是 SVM 算法的示意图。
【参考文献】
本文编号：2869511
【学位单位】：重庆邮电大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R741.044;TN911.7
【部分图文】：
而中枢神经系统或运动系统受到损伤的病人，如脊髓侧索硬化症(amyotrophic lateral sclerosis ALS)[17]，脊髓损伤(spinal cord injury, SCI)[18]、肌萎缩(muscular dystrophy, MD)[19]等带来福音，为他们提供一种与外界交流或控制外界设备的新途径，使患者再次拥有独立自主的能力。目前，BCI 系统通常使用缓慢的皮质电位(Slow Cortical Potentials, SCPs)[20]、α波和β波[21]等特殊的生理信号区分不同的大脑活动，进而针对不同模态的 EEG 信号输出不同的类别[22]。基于两种不同类型的运动想象可能引起两种类别的 EEG 信号，奥地利格拉茨科技大学的 Robert Leeb 等人开发出一套通过左右手运动想象得到 EEG 信号并且能够在线实时分析与模式识别的 BCI 系统[23]。当人体产生不同的感觉、行为、注意等活动时产生的 EEG 信号是有差异的，通过对 EEG 信号的特征构建和模式识别实现 BCI 接口，图 1.1 说明了整个 BCI 系统的组成结构。
由于当前把 P300 成分作为具有认知活动的电生理指标，目前已有越者探索 P300 的相关性质以及应用前景。例如，如果出现一系列事件，用户可以通过选择关注一个事件而忽略其他事件来进行交流。EG 信号特征构建与分类识别 EEG 信号分类系统中，对采集的 EEG 信号完成去除噪音等预处理后有关信号处理的部分。通过从多通道 EEG 信号中提取相关神经元活，并对有效特征信号进行模式识别。如何有效地提取 EEG 信号的特征特征对不同状态下的脑电信号进行分类，是近年来被研究的越来越。图 2.2 说明了一个完整的 EEG 信号分类过程以及传统的的特征提识别方法，下面的小节将对其进行详细介绍。
邮电大学硕士学位论文 第 2 章 脑电信号概找超平面，使所有样本点在该超平面线性可分，让相同标签的样本点间近越好，而不同标签间的距离越远越好。这个超平面使不同类别间距离最相应的分类模型叫做最大间隔分类器。目前，利用 SVM 对 EEG 数据实别已经普遍运用在相关领域了[69-71]，SVM 的优势在于能够解决样本量很样本线性不可分等模式识别问题，与神经网络的差别在于通过 SVM 能够最优解，图 2.3 是 SVM 算法的示意图。
【参考文献】
相关期刊论文 前6条
1 宋来云;黄淑燕;向锋;郑小泳;肖攀攀;黄金焕;梁雪玲;李艳容;徐伏莲;;网络成瘾者在不同情绪面孔刺激下的持续注意任务事件相关电位与治疗转归的相关性[J];四川精神卫生;2015年04期
2 杨帮华,颜国正,严荣国;脑机接口中基于小波包最优基的特征抽取[J];上海交通大学学报;2005年11期
3 裴晓梅,和卫星,郑崇勋;基于脑电复杂度的意识任务的特征提取与分类[J];中国生物医学工程学报;2005年04期
4 胡子;植入式微型芯片[J];中国医疗器械杂志;2005年02期
5 何庆华,彭承琳,吴宝明;脑机接口技术研究方法[J];重庆大学学报(自然科学版);2002年12期
6 刘昌，李德明，梅磊;大脑慢电活动研究及其进展[J];心理学动态;1996年02期
相关硕士学位论文 前5条
1 郭芙蓉;基于大鼠皮层微电刺激反馈的闭环控制系统实现[D];浙江大学;2017年
2 刘建辉;基于稳态视觉诱发电位的脑机接口系统研究[D];杭州电子科技大学;2016年
3 刁翠霞;面向不均衡数据集分类的W-SVM模型[D];合肥工业大学;2012年
4 侯秉文;运动想象脑机接口的特征提取与模式分类研究[D];西安电子科技大学;2012年
5 贾花萍;基于神经网络的EEG信号分类方法研究[D];天津师范大学;2009年
本文编号：2869511
本文链接：https://www.wllwen.com/linchuangyixuelunwen/2869511.html
最近更新
教材专著
