基于稀疏贝叶斯网络的情绪脑电的有效性脑网络研究

发布时间：2018-06-11 13:55

  本文选题：稀疏贝叶斯网络 + 情绪　； 参考：《生物医学工程学杂志》2015年05期

【摘要】：脑功能网络探索是揭示大脑处理情绪时潜在神经联系的重要手段,稀疏贝叶斯网络(SBN)方法可以分析各区域因果特性及相互影响,逐渐被应用于脑网络的研究中。本文提取了22名被试情绪脑电(EEG)的theta和alpha频段,构建了不同情绪唤醒度的有效性脑网络,并对节点的度、平均聚类系数和特征路径长度进行分析。结果发现:1相比于低唤醒度的EEG信号,左中颞在高唤醒度状态的因果影响都很明显,而右前额的因果影响都不显著;2高唤醒度的平均聚类系数较高,而低唤醒度的特征路径长度较短。
[Abstract]:The exploration of brain functional networks is an important means to reveal the potential neural connections in the brain. The sparse Bayesian network (SBN) method can analyze the causality and interaction between different regions and is gradually applied to the study of brain networks. In this paper, the theta and alpha bands of 22 subjects were extracted, and the effective brain networks with different emotional arousal degrees were constructed, and the degree of nodes, average clustering coefficient and characteristic path length were analyzed. The results showed that the causal effect of the left middle temporal in the high arousal state was obvious compared with the EEG signal with low arousal degree, while the causal effect of the right forehead was not significant. The average clustering coefficient of the high arousal degree was higher than that of the right forehead. The characteristic path length of low arousal degree is shorter.
【作者单位】： 南京师范大学教育科学学院;
【基金】：国家自然科学基金项目(31272511)子项目资助 江苏省中小学综合素质评价指标体系构建项目资助(B-b/2013/01/035) 江苏省教育科学“十二五”规划2013年度重点课题资助项目
【分类号】：TN911.7;R338

【共引文献】

相关博士学位论文 前10条

1 杜文博;面向航空交通系统的复杂网络与网络动力学研究[D];中国科学技术大学;2010年

2 籍艳;几类时滞系统的稳定与同步[D];江南大学;2010年

3 徐旭林;社会群体行为建模及其动力学分析[D];南开大学;2010年

4 杜方;复杂网络系统间相似性识别及其应用[D];浙江大学;2010年

5 张建辉;节点势能导向多下一跳路由协议研究与性能评价[D];解放军信息工程大学;2009年

6 高磊;P2P工作流系统中的资源搜索及负载均衡优化研究[D];山东大学;2010年

7 张泽华;云计算联盟建模及实现的关键技术研究[D];云南大学;2010年

8 沈波;基于不完全测量信息的非线性随机系统的滤波与控制[D];东华大学;2011年

9 王耀;随机复杂动态网络的同步与稳定性分析[D];东华大学;2010年

10 徐玉华;几类新连续混沌系统的基本动力学特性、控制与同步[D];东华大学;2010年

【相似文献】

相关期刊论文 前10条

1 冯业荣;BP网络及其学习功能初探[J];广东气象;1995年01期

2 卓莹;张强;龚正虎;;网络态势预测的广义回归神经网络模型[J];解放军理工大学学报(自然科学版);2012年02期

3 岳博,焦李成;Bayes网络学习的MCMC方法[J];控制理论与应用;2003年04期

4 王艳;李应兴;靳二辉;;复杂网络健壮社团挖掘算法[J];计算机工程与应用;2012年31期

5 余振复;;N位M进制数码网络及其参数计算[J];自动化学报;1981年02期

6 孙鸿宾;吴子燕;刘书奎;;基于动态Bayes网络的结构时变可靠性分析[J];应用数学和力学;2014年01期

7 朱朝晖;滕少华;廖俊;游俊慧;黄国康;庄卿卿;;GSM网络优化支撑系统的设计与实现[J];江西师范大学学报(自然科学版);2008年04期

8 梁斌梅;;基于径向基函数神经网络的动态地震预测模型[J];控制工程;2010年S2期

9 ，

本文编号：2005504