基于深度学习的音乐感知研究

发布时间：2021-09-29 04:10

　　在通过音乐感知的方式对儿童自闭症谱系障碍（Autistic Spectrum Disorder,ASD）的治疗过程中,感知效果和病情的发展主要体现在脑电图（Electroencephalogram,EEG）的波动上,临床上对脑电图判断方面存在不精确的问题,而深度学习在信号特征提取与分类方面有着极大优势。本文以深度学习中的深度信念网络（Deep Belief Network,DBN）为理论基础,提出将优化的受限玻尔兹曼机（Restricted Boltzmann machine,RBM）特征提取模型与softmax分类算法相结合的方法,对接受不同音乐感知治疗的自闭症儿童进行脑电波跟踪分析,以提高分类准确度,达到精准判断病情的目的。脑电图人工判断不准确的原因之一就是采集的脑电数据中掺杂着工频干扰、眼电伪迹等一系列噪声。为了给后续脑电分类提供相对纯净的数据支持,本文采用卷积神经网络（Convolution neural network,CNN）的方法对原始信号进行眼电伪迹检测,并使用希尔伯特-黄变换（Hilbert-Huang transform,HHT）结合FastICA的方法来去除噪声。... 

【文章来源】：长春理工大学吉林省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

国际10-20导联标准系统的电极放置法实验室的设备条件决定我们选取其中8个最能体现病情的数据通道来获取脑电信

也就是参考电极。其他部位的釆集电极和参考电电位变化值，也就是我们采集到的脑电信号的具体值。如果适，零电势中就会夹杂着很多其他生理电信号，从而导致无作用，所以脑电信号采集前首先需要选择合适的参考电极。，且它的位置独立，不易受眼动、肌肉收缩等生理反应的干我们选取耳垂作为参考电极。采集设备于采集大脑皮层脑电数据的系统模块主要包括 3IT_EHV1 脑电3 脑电板以及配套的数据分析软件 OpenBCI_GUI。帽：3IT_EHV1 脑电帽是全新脑电帽，全干电极，无需导电膏，Mark3/4 系列脑电帽。道脑电板：OpenBCI_V3 是一款开源的人脑或者生物电-电脑精度专用芯片完成脑电波(EEG)的检测和测量，拥有 8 个独立 Arduino UNO，脑电芯片为全球著名半导体商 TI（德州仪器）的硬件工作原理。

15 名自闭症儿童分成三组，25 名健康儿童分成五组，每五种实验条件：0 无音乐、1 哀乐、2 陌生交响乐、3 欢组中，5 人分别分配到 5 种音乐条件，之后，每人都按晚各听一次该音乐，连续一个月。主要是为了给自闭康儿童随即做出对照。期间，我们分别在一周、两周每位实验对象的脑电波，并统计保存。数据的实验过程中，将受试者安排在一间舒适温馨的扰。采集室内摆放好实验桌椅及用具，排除不相干用 个 ASD 儿童和 25 个健康儿童志愿者进行数据采集。测爽，电极要紧贴头皮，电极盘中轴线要垂直于头皮表住后用手挤压一下两侧，保持紧贴耳垂。测试时，尽量，测试环境对于不同工作环境的研究者来说是个头疼频干扰的设备（空调，电扇，微波炉，烤箱，笔记本扇可以忽略）。为了保护 ASD 儿童以及志愿者的隐私员来演示，如图 3.3。


本文编号：3413174