导读:本文包含了肌电信号分析论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:电信号,癫痫,特征,小波,希尔伯特,肌纤维,复杂度。
肌电信号分析论文文献综述
牛少杰[1]（2019）在《基于特征提取模式的脑电信号分析方式》一文中研究指出脑机接口是脑电信号识别的重要研究方向,正确区分脑电信号是将思维意识转化为外围设备具体动作的根本前提。现重点分析了一种基于特征提取模式的脑电信号分类识别方法,致力于有效提升分类的精度。首先利用功率谱模型提取脑电信号的时频特征,并将其作为人工神经网络的样本集及测试集,然后搭建多层反向传播网络,再利用LMS改进算法进行训练,最终得到分类识别结果。经实验证明,该脑电信号识别方法的分类效果良好。(本文来源于《机电信息》期刊2019年32期）
柳叶潇,徐昱琳,赵翠莲[2]（2019）在《基于肌电信号分析研究柔性电极设计参数对电极性能的影响》一文中研究指出柔性电极因其穿戴式表面肌电采集的优势而得到研究学者的广泛关注,但很少有研究针对柔性电极的设计参数提供明确的指导和规范。本实验首先对可能影响电极性能的参数进行了分析;然后利用柔性印刷工艺与喷墨印刷工艺制作5种不同规格的柔性干电极,并将其与商用湿电极进行对比,设计基于尺侧腕伸肌的肌电采集实验,得到100个表面肌电信号段;最后对信号段的时频域特性进行分析,从而确定相关参数对电极性能的影响。结果表明增加电极高度后的有源柔性印刷电路板电极具有更好的信号采集性能。(本文来源于《中国医学物理学杂志》期刊2019年07期）
王晓丽[3]（2019）在《基于深度学习的癫痫脑电信号分析与预测》一文中研究指出癫痫(Epilepsy)是关于大脑功能障碍的慢性神经系统疾病之一,目前研究表明其病理原因是大脑的神经元发生了异常突发放电,准确诊断该疾病需要长时间的脑电监测,而人工识别工作量巨大且具有主观性。深度学习是一种构造多层神经网络的机器学习方法,具有发现数据中隐藏的分布式特征表示的能力。针对癫痫患者的脑电信号,本文介绍癫痫脑电信号的特征提取、脑电信号的分析及脑电信号的分类方法。为采用深度学习对癫痫进行预测提供理论依据。(本文来源于《长春大学学报》期刊2019年06期）
姜美驰,肖京,饶毅,赵兴丽,曹昺焱[4]（2019）在《腰背肌筋膜痛综合征核心肌群的表面肌电信号与肌纤维类型的相关性分析》一文中研究指出目的:运用表面肌电检测腰背肌筋膜痛患者腰部核心肌群,通过中位频率及中位频率斜率的分析,判断其肌纤维类型分布规律。方法:2017年10月至2018年3月100例腰背肌筋膜炎患者,男45例,女55例;年龄29～76岁,平均48.5岁;左侧腰背疼痛(左侧疼痛组)40例,右侧腰背疼痛(右侧疼痛组)60例;病程>6个月。另有40例腰部无疼痛健康人为对照组,男20例,女20例;年龄29～76岁,平均47.3岁。患者均有不同程度的背部酸痛及背部肌肉僵硬,经临床和影像学检查诊断为腰背肌筋膜炎。使用表面肌电测量3组人群的腰部核心肌肉(多裂肌、髂肋肌、最长肌)在腰背肌等长收缩试验过程中的肌电信号特征,如中位频率及中位频率斜率绝对值。结果:3组多裂肌的中位频率,对照组左侧(133.88±26.61)μV,右侧(131.39±29.81)μV;左侧疼痛组左侧(117.29±10.93)μV,右侧(133.70±17.81)μV;右侧疼痛组左侧(131.36±17.37)μV,右侧(118.28±13.57)μV。3组髂肋肌的中位频率,对照组左侧(106.94±28.01)μV,右侧(114.68±18.96)μV;左侧疼痛组左侧(93.95±11.17)μV,右侧(107.60±27.86)μV;右侧疼痛组左侧(105.93±15.52)μV,右侧(97.27±19.27)μV。3组最长肌的中位频率,对照组左侧(109.24±26.20)μV,右侧(112.58±17.70)μV;左侧疼痛组左侧(95.58±10.83)μV,右侧(108.79±26.39)μV;右侧疼痛组左侧(106.50±17.98)μV,右侧(98.20±11.16)μV。3组多裂肌的中位频率斜率绝对值,对照组左侧0.221±0.109,右侧0.259±0.169;左侧疼痛组左侧0.318±0.184,右侧0.210±0.159;右侧疼痛组左侧0.258±0.169,右侧0.386±0.166。3组髂肋肌的中位频率斜率绝对值,对照组左侧0.241±0.158,右侧0.238±0.128;左侧疼痛组左侧0.330±0.208,右侧0.252±0.171;右侧疼痛组左侧0.249±0.150,右侧0.343±0.144。3组最长肌的中位频率斜率绝对值,对照组左侧0.244±0.252,右侧0.210±0.128;左侧疼痛组左侧0.348±0.255,右侧0.241±0.224;右侧疼痛组左侧0.239±0.155,右侧0.334±0.233。对照组左右侧腰多裂肌、髂肋肌、最长肌的中位频率和中位频率斜率绝对值差异无统计学意义(P>0.05);腰痛组疼痛侧多裂肌、髂肋肌、最长肌的中位频率值小于非疼痛侧(P<0.05),中位频率斜率绝对值大于非疼痛侧(P<0.05)。结论:慢性腰背筋膜痛患者疼痛侧的腰部肌肉耐疲劳程度下降,肌纤维类型百分比转变为以Ⅱ型肌纤维为主。(本文来源于《中国骨伤》期刊2019年06期）
张萍萍[5]（2019）在《64导联脑电信号分析系统的设计与研究》一文中研究指出大脑是个体至关重要的部分,是人类神经中枢系统的核心。随着社会的进步,对于脑科学的研究在不断的推进,脑电分析软件也在不断的更新。脑电信号能够记录大脑神经元活动,包含了大量的生理信息,对电脑的研究为人类在认知科学、神经科学、心理生理学甚至医学领域的研究都起到了重要的推动作用。2016年,脑科学的研究被正式的列入我国“十叁五规划”当中,对于脑电信号的研究也被越来越多的科学家所重视,也取得了一些令人瞩目的成果。在进一步的了解大脑、开发大脑,利用大脑的过程中,对脑电数据的确切分析则甚为重要,但目前的脑电分析软件在数据分析方面还缺乏一定的完备性,需要更多的改进。本文针对目前脑电分析系统中存在的一些问题,以Matlab平台为基础完成了64导联脑电信号分析系统的开发,取得了不错的效果,并且大大降低了软件开发成本。首先,以本实验室采集到的64导联的原始脑电信号为基础,结合目前所有的优秀脑电分析处理算法及相关技术,对系统功能需求以及可行性进行了分析,主要从系统的运行速度、模块功能、个性化界面等方面进行了分析。其次,对系统进行了总体设计,建设了系统总体功能框架。再对各模块功能进行了详细设计,功能模块主要分为文件模块,预处理模块,数据处理模块,统计模块和帮助模块。文件模块将采集到的64导联数据导入该系统,考虑到不同采集设备采集到的脑电数据格式有所不同,改进系统,实现了对多种脑电信号导入和显示,同时也负责对显示区域的调整、工作区的清理以及对系统的关闭等操作。预处理模块首先通过剔除或修复的方式处理坏导数据,然后采用平均参考或单独参考方式寻找参考电极进行参考转换,再经过滤波器滤除噪声,最后使用独立成分分析的方法将眼电、肌电等伪迹去除,得到纯净的脑电信号,为后续分析处理结果的准确性提供了保障。数据处理模块则是对预处理后得到的干净脑电数据进行时频域以及空间上的分析,主要方法包括功率谱分析、小波分析、主成分分析以及独立成分分析。统计模块则是负责对大量脑电数据进行批处理以及解决某些数据的二分类问题,节省了对脑电数据处理的单独依次操作所要耗费的时间精力,为用户进行数据观察和分析提供了方便;最后的帮助模块则是提供了本系统的使用手册,并对用户在使用本系统的过程中可能遇见的问题提供了良好的解决方法。最后,基于Matlab平台进行系统实现,并且结合C语言进行编程,模块化各部分功能,每个模块都是一个M文件,每个菜单以及控件都有自己的M文件,每个菜单和控件中包含许多M函数,控件以及菜单对应的函数放在对应的M函数内,最后由一个主文件将所有功能模块文件打包到一起,生成最终系统。(本文来源于《山东师范大学》期刊2019-06-10）
崔志红[6]（2019）在《基于卷积神经网络的脑电信号分析方法研究》一文中研究指出社会压力越来越大,睡眠呼吸暂停综合症、睡眠呼吸障碍等睡眠障碍疾病不断增加,严重影响了人们的生活和生命健康。同时,此类疾病的隐藏期比较长,如果不进行长期监测一般难以发现,且一旦发病便很难治愈。因此,急需找到一种提前预防和诊断此类疾病的方法。研究表明睡眠分期能够为睡眠障碍疾病的诊断提供判定性的依据。这是因为睡眠障碍疾病患者的脑电波与正常人存在显着差异,两者各睡眠阶段的比例也有很大的不同,因此进行睡眠分期研究具有非常重要的临床意义和应用意义。传统的睡眠分期方法需要大量专业人员长时间手动提取脑电特征,这一过程不仅费时费力而且也带有研究人员强烈的主观意识。卷积神经网络(Convolutional neural network,CNN)的权值共享和局部感受野使得其能自动提取脑电特征信号特征,改变了传统脑电信号分析需要大量人力手动提取脑电特征的缺点。因此,论文从CNN角度出发探索脑电信号分析方法的新思路,论文的主要研究内容如下:(1)原始径向基神经网络(Radial Basis Function,RBF)在选择初始网络中心点时往往依赖研究人员的经验,此外,网络宽度经初始化设置后,便不再修改,两者容易导致网络的计算复杂度高。针对上述不足,论文设计了一种改进RBF神经网络,首先,引入了密度的思想进行初始中心点的选择,若样本点的密度越大,其最终作为分类中心点的几率越高,这样便可准确、高效地选择网络中心点。其次,使用“3?”法则的宽度代替最大网络宽度,有效地降低了算法的计算复杂度。该方法的睡眠分期准确度较原始RBF及其它方法有了明显的提升。(2)原始双谱分析存在特征均值化的不足,易导致分类特征区分度不明显。因此,论文设计了一种基于频域的改进双谱分析方法。先计算多个频道下每30秒脑电数据的双谱估计特征和频域范围,然后选择出现次数最高的频域范围,对其双谱估计特征进行均值计算。该方法不仅降低了算法的复杂度,而且提高了睡眠分期准确度。(3)CNN在提取脑电特征时容易受到数据分割大小的影响,若时间分割过短,则会导致特征不明确,反之,则容易引起特征模糊。针对上述不足,论文将细粒度分割原则与CNN相结合提出了一种改进CNN。首先,针对脑电信号设计了一个七层的CNN,它包含一个输出层,两对卷积层和降采样层,一个全连接层和一个输出层。其次,确定细粒度分割程度的大小k,即将当前的睡眠阶段和后续的k-1个睡眠阶段重新组合成新的脑电序列,然后将重新组合成的新脑电序列代入设计好的CNN,并根据睡眠分期准确度得出最合适的细粒度分割大小。该方法一方面解决了传统脑电信号分析的不足,另一方面,该方法的睡眠分期准确度较原始的CNN及其他方法有了明显的提升。实验结果表明以上叁种方法均有效地提高了脑电信号分析效率,为睡眠障碍疾病的诊断提供了更有效的依据,也为脑电信号分析提供了一个崭新的思路。(本文来源于《山东师范大学》期刊2019-06-10）
崔颢骞[7]（2019）在《基于上肢运动的脑—肌电信号融合分析研究》一文中研究指出大脑皮层的脑电信号(Electroencephalogram,EEG)反映人体的运动控制信息,身体肌肉组织的肌电信号(Electromyogram,EMG)反映了肌肉对大脑控制的响应信息。两种生理电信号的交叉研究在人工智能、医疗康复和神经科学等成为新的热门领域。目前大部分的假肢均以肌电信号作为控制信息,但一些运动障碍患者的肌电信号很微弱并且很复杂,动作识别率较低,无法满足实际应用需求。考虑运动障碍患者还有正常的脑电信号,基于混合脑机接口(Brain-Computer Interface,BCI)技术提出脑电信号和肌电信号的特征融合策略,可以作为康复假肢重要控制信息。为了提高脑机交互控制假肢的识别率及控制准确度,本文开展脑电和肌电信号的融合研究。首先,本文阐述脑电和肌电信号在假肢控制领域的研究背景,综述脑肌电信号融合分析的应用现状及存在的问题。基于神经肌肉功能融合的脑电和肌电信号控制的准确度,对脑电和肌电信号进行融合分析,提高辅助设备控制地稳定性。针对运动脑电信号和肌电信号的生理学基础和特点,确定实验信号的采集位置。其次,设计上肢运动脑电和肌电信号采集试验,对采集到的信号进行预处理。基于小波阈值去噪方法提出了一种改进阈值算法以去除脑电信号中的噪声,提高了脑电信号的信噪比。在小波分析方法的基础上,对采集到的肌电信号运用分层阈值降噪方法进行消噪处理。接着,通过经验模态分解得到脑电信号的固有模态函数分量,运用希尔伯特—黄(Hilbert-Huang Transform,HHT)的方法对运动EEG信号进行特征提取。针对肌电信号特性,在时-频域分析的基础上应用小波变换,提取相关性大的肌电特征值。最后,运用稀疏自动编码器融合脑电和肌电信号特征,选用支持向量机对融合信号与单一运动脑电信号进行分类识别研究。结果表明本文方法有效提高了动作的识别精度。(本文来源于《沈阳工业大学》期刊2019-06-04）
王光远[8]（2019）在《基于深度学习的脑电信号分析与模式识别研究》一文中研究指出脑电信号常被用于脑机接口研究、人类情感识别、疲劳驾驶、癫痫、睡眠质量监控等。然而解决这些问题的关键是对脑电信号进行快速有效的特征提取和分类,从而提高脑电信号在这些问题上的识别准确率。为了提高脑电信号识别准确率,本文在脑电信号识别方面所作的工作和创新研究如下:第一,在脑电信号特征提取算法方面,基于脑电信号的直方图和幅度共生矩阵提出了脑电信号的纹理特征提取算法,并在BCI challenge hosted on Kaggle给出的数据集上进行实验。实验结果表明在该比赛第一名方案的基础上加入本文设计的脑电信号纹理特征,使该任务的识别准确率由87.56%提高到了 89.54%,证明了本文提出的脑电信号纹理特征提取算法对脑电信号识别任务是有效的。第二,提出并设计了通道注意力模块,并接于卷积神经网络(CNN)的输入层后,使其自动学习不同通道的脑电信号对于识别任务的贡献程度。同时在此基础上本文又将残差单元和通道注意力模型结合起来,提出了对脑电信号识别非常有效的卷积神经网络结构。最后本文在斯坦福研究项目的EEG数据集进行实验,实验结果表明,本文提出的模型将该任务的识别准确率由ResNet13的82.58%提高到了 85.68%。第叁,针对卷积神经网络处理脑电信号无法充分利用脑电信号时间序列信息的问题,提出并设计了卷积循环神经网络架构。该网络将卷积神经网络提取的脑电信号特征送入循环神经网络,充分利用脑电信号的时间序列信息。同时基于循环神经网络每个时刻输出的特征向量,本文设计了注意力集中模型,让模型自动学习循环神经网络每个时刻输出的特征向量对于分类任务的贡献程度。最后为了验证该方法是否有效,本文同样在斯坦福研究项目的EEG数据集上进行了实验,实验结果表明,该算法在第二个创新点的基础上将识别准确率提高到了91.05%。(本文来源于《北京邮电大学》期刊2019-06-03）
张汉勇[9]（2019）在《基于加权相似性网络和水平可视图的脑电信号分析方法研究》一文中研究指出生物信号是现代数字信号处理的重要研究领域。由于生命体系统的复杂性,生物信号通常具有非线性、混沌、非平稳等特点,属于非线性时间序列。正是因为这些特点,使得生物信号分析区别于一般的信号处理,成为现代数字信号处理的一个重要分支。时间序列到复杂网络转换算法的提出,使得复杂网络成为时间序列分析的新工具。复杂网络经过多年的发展,形成了成熟的理论体系,在诸多学科领域得到了大规模应用。本文在已有的复杂网络构造方法的基础上,主要对加权相似性网络和加权水平可视图进行深入研究。本文总结了已有的相似性网络和加权水平可视图构造方法,通过对当前算法的不足之处进行改进,提出了新的复杂网络构造方法,即改进的加权相似性网络和改进的加权水平可视图方法。论文主要方法和创新点如下:(1)提出了改进的加权相似性网络算法。传统的相似性网络在构造过程中由于节点数量较少,同时没有引入边权值信息,会造成时间序列信息的丢失。把癫痫脑电时间序列平均分段之后,对每个子段时间序列提取12个时域统计特征作为复杂网络的节点,使得节点数量增加;计算节点间的欧氏距离,设定阈值,确定节点间的连边关系,并把节点间的斜率作为连边权值,构造加权邻接矩阵,完成癫痫脑电信号加权相似性网络的构造。提取平均权重度作为分类特征,用于癫痫发作期信号和癫痫发作间歇期信号的分类,分类准确率最高为96%。实验结果表明改进的加权相似性网络的性能较之传统的相似性网络算法有了很大提升。(2)传统的加权水平可视图算法不能很好反映时间序列的动力学特性,因此,本文提出了叁种加权水平可视图改进算法:一是使用12个时域统计特征作为加权水平可视图的节点,以节点间的差值作为连边权值,构造加权水平可视图,降低了算法的时间复杂度;二是使用了新的连边权值,节点间的斜率和节点间的角度作为连边权值,构造加权水平可视图,斜率和角度更能反映时间序列隐藏的动力学特性;叁是使用原癫痫脑电时间序列作为节点,以节点间的斜率作为正向网络连边权值,以节点间的角度作为反向网络连边权值,首次提出了双向加权水平可视图算法。随后将改进的加权水平可视图算法用于癫痫脑电信号分类。在癫痫脑电加权水平可视图构造完成之后,提取平均权重度、权重分布熵等分类特征,实现癫痫发作期信号和癫痫发作间歇期信号的准确分类,分类最高准确率为98.5%。实验结果表明改进的加权水平的性能较之传统的复杂网络算法有了很大提升。(3)本文提出了改进的加权相似性网络和加权水平可视图构造算法,并应用这两个复杂网络构造算法将癫痫脑电信号转换为对应的复杂网络,提取复杂网络拓扑统计特征作为分类特征,实现了高质量的癫痫脑电信号分类,具有重要的临床研究意义。通过和其他相关实验的比较,验证了本文所提出的算法可以获取生物信号更全面、更深层的动力学特征,说明本文算法可以有效应用于生物信号分析。(本文来源于《济南大学》期刊2019-06-01）
张丽平[10]（2019）在《表征心算任务复杂度的脑电信号分析及其眼电伪迹去除》一文中研究指出心算任务(Mental Arithmetic task,MAtask)是常见的认知任务之一。根据心算任务的复杂度和任务完成人的认知能力,可能存在叁种不同的认知策略。其中对于大脑中没有直接答案的复杂心算题,需要调用任务完成人的工作记忆(Working Memory,WM),而其心算能力、问题复杂度和完成题目规定的时间共同决定其大脑的工作负荷水平,并可能会造成不同程度的急性心理压力。因此,研究受试者在完成不同复杂度的心算任务中的大脑工作状态,有望揭示心算策略、以及与心算任务密切相关的心理压力和工作记忆的心理生理机制,在认知神经科学领域具有重要的意义。脑电(EEG)是一种被广泛地应用于认知研究领域的大脑皮层活动检测技术。其毫秒级的时间分辨率有助于研究者通过分析不同的认知活动下特定频带的脑电节律波的能量分布特性和动态时间过程,去有效地揭示相应的大脑认知过程和思维活动。然而,有关脑电theta波、alpha波和beta波在不同难度的心算任务中的能量分布的研究结果均存在一定的争议。其次,不同难度心算任务中theta波、alpha波和beta波的动态特性尚未知晓。另外,为得到可靠的基于单通道脑电信号的认知研究结果,需要开发适合于单导脑电信号的眼电伪迹去除算法。本文招募19位健康受试者完成两种难度的心算任务,同步采集多通道脑电数据。有5名受试者实验中途退出,故仅14位受试者完成整个实验并获得高质量的脑电数据用于后续分析。本文首先对脑电数据进行预处理以提高信噪比,然后计算不同难度心算任务条件下脑电theta波、alpha波和beta波的功率谱估计和时频分析,以检验脑电节律波的功率谱及其动态特性与认知任务进程及其复杂度的关系。为实现单通道脑电信号中的眼电伪迹去除,本文还提出了基于离散平稳小波变换和局部滤波的眼电伪迹剔除算法。具体的研究内容和结果如下:1、脑电theta波、alpha波和beta波在两种难度的心算任务中的功率谱特性研究。对筛选后留下的14位受试者于前额皮层和顶叶处的10导脑电数据进行滤波和基于独立成分分析(ICA)算法的眼电伪迹去除等预处理后,采用Welch算法实现谱估计,再相对基线期做归一化处理,获得不同复杂度心算任务的相对功率谱密度值。以1 Hz为频宽单位,使用配对t检验检测4～30 Hz频率范围内,能有效地能表征心算任务复杂度差异的精细频率。结果显示,前额皮层和顶叶区域内能体现心算任务复杂度差异的脑电信号频率范围分别为10～25 Hz和9-25 Hz,涵盖“上alpha”(upper alpha)和“下beta”(lower beta)波段。2、心算任务中脑电theta波、alpha波和beta波的动态特性研究。利用Morse小波,对每道简单心算题或复杂心算题前5秒的脑电信号进行连续小波变换,得到简单或复杂心算任务对应的小波系数能量。结果显示,叁种节律波的能量在两种难度的心算任务中的0.5～1秒内均不存在显着性差异,而在1-4.5秒内简单题阶段具有更高的alpha频段和beta频段的能量。与文献中有关alpha在高强度认知任务时受到抑制的结果一致。3、提出并检验将离散平稳小波变换与运用统计阈值进行伪迹片段检测相结合,适合于单导脑电信号中眼电伪迹去除的OD-SWT算法。结果显示,在搭配最佳的统计阈值情况下,其去眼电伪迹效果能与ICA算法相媲美,OD-SWT算法是一种具有实用性的,适合于单通道脑电信号的眼电伪迹自动剔除算法。脑电alpha波和beta波的能量变化有望作为神经生理学指标,来表征心算任务的复杂度,而提出的OD-SWT算法,为基于单通道脑电数据的眼电伪迹去除提供了新思路。(本文来源于《南方医科大学》期刊2019-05-01）
肌电信号分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
柔性电极因其穿戴式表面肌电采集的优势而得到研究学者的广泛关注,但很少有研究针对柔性电极的设计参数提供明确的指导和规范。本实验首先对可能影响电极性能的参数进行了分析;然后利用柔性印刷工艺与喷墨印刷工艺制作5种不同规格的柔性干电极,并将其与商用湿电极进行对比,设计基于尺侧腕伸肌的肌电采集实验,得到100个表面肌电信号段;最后对信号段的时频域特性进行分析,从而确定相关参数对电极性能的影响。结果表明增加电极高度后的有源柔性印刷电路板电极具有更好的信号采集性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
肌电信号分析论文参考文献
[1].牛少杰.基于特征提取模式的脑电信号分析方式[J].机电信息.2019
[2].柳叶潇,徐昱琳,赵翠莲.基于肌电信号分析研究柔性电极设计参数对电极性能的影响[J].中国医学物理学杂志.2019
[3].王晓丽.基于深度学习的癫痫脑电信号分析与预测[J].长春大学学报.2019
[4].姜美驰,肖京,饶毅,赵兴丽,曹昺焱.腰背肌筋膜痛综合征核心肌群的表面肌电信号与肌纤维类型的相关性分析[J].中国骨伤.2019
[5].张萍萍.64导联脑电信号分析系统的设计与研究[D].山东师范大学.2019
[6].崔志红.基于卷积神经网络的脑电信号分析方法研究[D].山东师范大学.2019
[7].崔颢骞.基于上肢运动的脑—肌电信号融合分析研究[D].沈阳工业大学.2019
[8].王光远.基于深度学习的脑电信号分析与模式识别研究[D].北京邮电大学.2019
[9].张汉勇.基于加权相似性网络和水平可视图的脑电信号分析方法研究[D].济南大学.2019
[10].张丽平.表征心算任务复杂度的脑电信号分析及其眼电伪迹去除[D].南方医科大学.2019
论文知识图
