李县辉[1]2003年在《脑电信号的小波相关与互信息分析》文中研究表明研究认知过程与脑电活动具有重要的实际科学意义，受到越来越多研究人员的注意，已成为当今研究的一个热点。神经系统的基本功能是信息的传递、处理和存储，所有高级神经功能都是以各级神经元细胞内及细胞外的生化和电生理活动为基础。大脑内部的信息传递是以生物电的形式存在。无论是头皮脑电还是皮层微电极采集的脑电信号都是大量细胞级电活动的总和，脑电信号包含了丰富的神经生理信息。认知刺激将直接改变神经细胞的电生理活动基础，这种变化会反映到脑电信号上。因此通过对脑电信号的分析，可以提取出反映不同认知条件下的特征变化情况。对于研究不同认知条件下的大脑内部生理的变化有重要意义。 本文从相关分析开始，针对脑电信号的非线性特性，提出了一种良好的脑电的时变相关分析。这种方法对脑电分析的时频分辨率问题得到了很好的解决。我们采用了基于连续小波变换的相关分析方法来分析不同脑区之间的脑电数据的相互关系。时变小波幅度谱提供了不同时段相关的程度的定量分析，而相位则揭示了不同脑区之间信息交换的方向问题。此外，本文还研究了儿童进行中英文句法判别过程中的不同脑区之间脑电数据的相关情况。脑电数据是基于一个中英文句子的辨识的认知过程而采集。从我们的研究结果可以初步看出在中文和英文句子辨识过程中大脑通信模式有明显的区别。 另外，我们还尝试采用脑电信号的信息量变化以及大脑皮层不同部位间的信息传递来反映认知过程中的脑的功能和生理状态变化。为了描述大脑皮层及大脑内部相关性，我们研究了基于自适应单元分区的互信息分析方法，并对句子识别认知任务下采集的脑电信号做了分析。结果表明在中文和英文句子识别中大脑不同区域之间的信息交换有明显的区别。最后，我们采用脑电彩色地形图的方式对我们的研究结果进行展示。 本论文研究结果表明：小波相关和互信息分析可能成为认知脑电的分析一个新的方向；大脑在进行中英文句法辨识的过程中不同脑区之间信息传递方式有明显的不同。这将对中国学生进行中英文双语教学的教育研究起到积极的作用。
郑杨[2]2012年在《基于α频率光诱发的脑电（EEG）特性研究》文中进行了进一步梳理随着现代人们生活节奏的日益加快，高压力、紧张情绪、睡眠障碍引起了大脑认知功能的下降，从而影响了人们的正常学习、工作，生活。不同的脑电信号反映了大脑的功能状态，其中，脑电α波是成年人在安静、觉醒状态下的主要活动节奏，标志着人体进入“放松性警觉”状态，主观感觉舒适、放松和注意力集中。因此，大量研究致力于寻找强化或诱发受试者脑电α波的脑功能治疗技术，其中外部闪光刺激由于简易、无创、低成本等特点，被广泛运用于脑电α波的强化。本文从脑电信号对外部刺激的“节律同步化”效应原理出发，通过对实验所得脑电信号的系统分析，研究外部α频率光诱发下的脑电特性变化，实现脑电“节律同步化”效应的验证和量化分析，从而为外部光诱发技术改善人脑功能状态提供理论依据和量化指标。本文主要研究内容与创新点如下：(1)研究了脑电信号中的伪迹信号特点，并利用Fast ICA盲源分离算法，实现实验所得脑电信号的眼动伪迹分离。(2)利用小波与小波包理论，实现脑电信号节律波的提取，并分析α频率光刺激后的各种脑电节律波的功率谱变化，实现光诱发下脑电节律波的线性特征分析。(3)利用Lempel-Ziv复杂度算法，研究外部光刺激下脑电α波的非线性特征变化。(4)利用互信息算法，研究外部光刺激下，不同脑区之间的脑电α波的功能连接。
王舒欢[3]2015年在《基于运动想象的脑机接口研究》文中指出脑机接口(Brain Computer Interface,BCI)是通过计算机或者其他的电子设备在大脑与外界环境之间建立的一条独立通路,它不依赖于肌肉组织和外周神经直接实现对外交流和控制。脑机接口为丧失部分或全部肌肉控制功能的患者提供了一个与外界沟通的新途径。本文主要研究了脑电数据的处理方法,对脑电信号处理中运用的预处理、特征提取和模式分类算法做了详细介绍,同时通过离线的两分类运动想象脑电数据集对算法进行验证。论文中首先概括介绍脑机接口的概念、系统组成,总结了脑机接口研究领域的兴起、研究现状以及应用成果。详细地阐述了脑电信号的预处理、特征提取和模式分类算法。特征提取算法的有效性直接影响着分类的效果,利用小波分解和小波重构技术对运动想象脑电信号进行多尺度分析,提取出各个频段里特征最明显的信号,对信号进行求和平均处理,计算累积小波熵。将累积小波熵与AAR算法相结合,提取脑电信号的多维特征,提高了分类的正确率。仿真结果表明,对单独子频带进行分析,可以提取出隐藏在运动想象脑电信号中更为精确的信息,累积小波熵与AAR模型参数的结合,使分类准确率明显提高。分类器的选取尤为重要,提出了将基于无迹卡尔曼滤波(UKF)的神经网路作为识别左右手脑电信号特征的分类器。UKF算法经过快速的迭代运算可准确估计出神经网络的权值,完成对神经网络的训练。分类结果表明,该分类器的分类性能优于常用的线性判别分析(LDA)和支持向量机分类器。针对运动想象两分类脑电数据集,采用了多种特征提取与分类算法组合,分析小波熵在不同节律下的特征,将自适应自回归(AAR)与累积小波熵相结合,得到了更低的分类误差。为了获得更高的分类准确率,本论文将基于UKF的神经网路应用在脑电数据处理分类器优化问题上,并与LDA分类器和支持向量机(SVM)的分类结果作对比。最后介绍了BCI2000平台,对基于感觉运动节律的BCI实验进行仿真,模拟意念控制。
马宏娟[4]2014年在《基于互近似熵和互样本熵的脑功能网络构建及应用》文中进行了进一步梳理精神分裂症是严重威胁人类健康的精神疾病，其根本原因在于它的发病机制至今还不清楚。近年来，脑功能网络被视为研究精神分裂症的有效方法，本文通过构建脑功能网络方法研究揭示静息状态下正常人和精神病患者脑网络特性、阳性症状和阴性症状的精神分裂症患者的复杂脑网络特性，得出一些有意义的结论。本文基于EEG的互近似熵和互样本熵来构建脑功能网络，首先采集14个正常受试者的32导脑电及48人精神分裂症患者的32导脑电，并利用小波包形成特定频率成分滤波器，对选取好的数据进行小波包分解，提取静息状态下14个正常人和14个精神分裂症患者的各导联脑电的、、、节律波并计算正常人和精神分裂症患者各节律波的互近似熵和互样本熵矩阵(32×32)，计算正常人和精神分裂症患者在不同阈值下的网络测度，对各个测度进行分析，结合阈值选取的原则选择合适阈值构建静息状态下正常人和精神分裂症患者的脑功能网络并对比分析。同理，对阳性症状和阴性症状的精神分裂症患者的脑功能网络特性进行分析。对于上述采集得到的14个正常受试者的32导脑电及48个精神分裂症患者(含阳性症状及阴性症状)的32导脑电，计算14个正常人、14个阳性症状精神分裂症患者和14个阴性症状精神分裂症患者的互信息矩阵(32×32)，并计算正常人、阳性症状及阴性症状的精神分裂症患者在不同阈值下的网络测度，对各个测度进行分析，结合阈值选取的原则选择合适阈值构建正常人、阳性症状及阴性症状的精神分裂症患者的脑功能网络并进行对比分析。论文所提出的网络构建方法一定程度上能够刻画不同的脑功能状态，在分析、理解精神分裂症等精神疾病患者的发病机制等方面有可能成为一种新的有效方法。
何海洋[5]2012年在《基于多类意识任务识别的电动轮椅脑电控制方法研究》文中提出脑电（Electroencephalogram，EEG）是一种脑神经细胞的生物电活动，反映了大脑的功能状态，有效提取脑电信号中蕴含的信息，对于临床医学、康复工程、脑机接口等诸多领域的研究有着重要的意义。要使脑电信号控制的康复辅助装置能够按照使用者意愿智能化地服务于患者，如何有效提高不同场景下运动想象的识别率是其中的瓶颈和难点之一，并且已成为康复工程领域中具有挑战性的科学问题。本文在国家自然科学基金项目（61172134）的支持下，从课题研究的背景及意义出发，结合脑电信号的特点，研究分析了运动想象状态下脑电信号的采集与预处理、特征提取及模式分类等过程，探讨了基于多类意识任务识别的电动轮椅脑电控制方法。本文主要完成了以下研究工作，并取得了部分创新成果：（1）在脑电信号预处理阶段：提出了一种基于最小相依成分分析的互信息（Mutual Information based on Least dependent Component Analysis，MILCA）算法的脑电信号伪迹消除方法。针对脑电信号中眼电和心电串扰伪迹，首先用提升小波硬阈值法对多路原始脑电信号去噪，再运用MILCA算法对各通道信号进行盲源分离，同时采用信号间互相关系数和互信息量作为指标对伪迹分离的效果进行评价。实验对比分析表明，运用MILCA算法能较好地去除脑电信号中的眼电及心电伪迹，为后续的特征提取创造了良好的条件。（2）在脑电信号特征提取阶段：针对离散小波变换处理信号时存在的频谱混迭现象和平移不变性差的问题，探讨了实虚二元树滤波器形式双树复小波变换的原理以及特点，在此基础上提出了基于双树复小波变换能谱熵的脑电信号特征提取方法。此外，还研究了通过改变单一变量阶次p来自动调节时频局部特性的离散分数阶傅里叶变换，结合K近邻互信息估计与熵理论，提出了基于离散分数阶傅里叶变换互信息熵的脑电信号特征提取方法。（3）在脑电信号模式分类阶段：提出了基于粒子群算法优化支持向量机的脑电信号模式分类方法，解决了与分类性能相关的最优参数（惩罚因子C、核函数中的参数变量）选取问题，与传统网格划分搜索最优参数的方式相比，算法效率明显提高。（4）研究了离线状态下脑电控制电动轮椅的稳健方法，给出了基于脑电信号控制电动轮椅实验平台的总体方案，以及基于单片机的电动轮椅控制器改造等，设计了脑电信号采集的实验方案，对应轮椅前进、停止、左转和右转四种控制方式，研究了右脚踩油门、左手握轮椅控制杆向后移、左脚单脚跳并双手推轮椅向左移和右手握轮椅控制杆向上移四种动作作为运动想象的模式。实验结果表明，对于C3、Cz和C4叁个通道的脑电信号，选取基于双树复小波变换能谱熵及频带复系数能量的15维特征和基于离散分数阶傅里叶变换互信息熵的72维特征组成的的联合特征向量，经过归一化和PCA降维处理后，采用粒子群算法优化支持向量机分类器进行分类，对于3类和4类纯运动场景的想象识别，平均分类正确率分别达到了75.57%和69.68%，其分类结果验证了本文所提出的基于脑电信号特征提取和模式识别算法的有效性。
梁振虎[6]2011年在《EEG熵算法及麻醉状态监测应用研究》文中提出从20世纪40年代开始，人们就开始研究麻醉药物对大脑的影响；然而到目前为止，全身麻醉过程中的麻醉深度估计及麻醉与意识的关系仍是未完全解决的问题。现有的大多数商业麻醉深度监护仪以线性系统理论为基础，在脑电信号的特征提取方面存在着很大的局限性，在临床应用中存在着误报、指标延时及指标不明确等问题。而且国外监护仪价格昂贵，无法在我国普通医院普及。因此，研究具有自主知识产权的麻醉深度监护仪既有理论价值又有实际意义。本文针对以上问题，深入分析麻醉中的脑电信号，对比评估了现有麻醉深度算法优缺点，并提出了具有一种自主知识产权的EEG熵麻醉深度监护方法，进一步基于多参数指标，设计了一款麻醉深度监护仪。首先，本文结合已有的研究和文献分析了麻醉对大脑的作用机理，对比分析了现有麻醉深度监护仪的优缺点。对不同麻醉药的作用以及大脑意识产生和工作的机理做了详细讨论。详细分析了现有的麻醉深度监护产品的设计原理、麻醉深度指标的设计思路、算法流程、优化方式等。重点对各监护仪指标的算法复杂度、反应时间、抗噪等方面进行了对比。其次，针对麻醉深度估计，提出了叁种非线性指标估计方法：排序熵、Hurst指数、小波稀疏度测量，其中，排序熵方法通过奇异值检测优化后与BIS具有很高的指标相关性；Hurst指数通过基于小波的多尺度分析算法进行了优化。药效药代动力学模型和预测概率评估表明，叁种指标均具有很高的药物效应浓度预测能力。本文从算法的复杂度考虑，确定将排序熵作为麻醉深度的主参数。然后，在全麻的意识评估方面，提出了采用双通道信息耦合强度来评估大脑意识状态的方法。分析比较显示，基于排序模式的互信息方法具有更好的抗噪和刻画信息耦合的能力。随着麻醉加深，排序互信息减少，验证了随麻醉加深，脑区耦合降低的假设。同时，本文利用排序自互信息刻画单通道脑电信号的自耦合特性，表明随麻醉加深，脑电的自耦合强度减弱。基于排序互信息的耦合特性评估能够很好的区分脑电的不同状态，对于评估麻醉中的意识状态具有重要作用。接着，针对全麻中可能出现的两种特殊脑电状态(爆发抑制和癫痫样波)，提出了具体的判断方法和计算指标。针对爆发抑制状态的判断，提出了基于递归率RR的检测算法。统计分析表明，递归率RR方法具有更快的计算速度和更准确的爆发抑制判断能力。针对癫痫样波，通过神经元群模型仿真的癫痫波数据，对比分析了熵模块中采用的小波熵算法、本系统中采用的排序熵主算法以及递归图中的确定性测度DET指标。统计表明，DET指标具有更好的癫痫样波检测能力。因此，本文设计的麻醉深度监护仪将RR和DET作为两个重要的阈值判断指标参数集成在系统中。最后，基于以上研究，以高性能的DSP为主处理器设计了一款具有判断麻醉中意识状态功能的双通道麻醉深度监护仪。监护仪的主机和从机之间采用无线通信方式，分离式的设计和电池供电保证了临床应用的安全性和可靠性，并避免了电源工频干扰。监护仪前端采用数字滤波技术，相对于常规的模拟滤波具有更高的稳定性。在系统算法融合上采用BP神经网络作为多参数指标的优化方法，保证了麻醉深度估计指标的可靠性。
庞璐珉[7]2010年在《基于小波包与ICA的脑电α波提取研究》文中认为脑电信号(Electroencephalograph,EEG)处理的目的是为了从复杂的背景噪声中提取出隐含或微弱的脑电特征。独立分量分析(Independent Component Analysis,ICA)方法在满足一定条件下能够从同步测量的多路线性混合信号中分离出相互独立的源信号,且分离结果不受频谱混迭的影响。但是独立分量分析方法在脑电观测信号数量有限的情况下往往不能获得很好的分离效果。本文首先介绍了独立分量分析的模型、度量方法和优化算法,讨论了包括非高斯性极大准则在内的ICA主要度量方法,论述了Infomax算法和FastICA算法的原理和实现。然后,应用独立分量分析方法对脑电信号进行了去噪处理,在脑电观测信号数量有限的情况下去除了脑电中的心电伪迹和工频干扰。试验结果表明利用参考信号进行ICA分析的方法能够有效地去除脑电信号噪声。最后,本文在脑电观测信号数量有限的情况下利用小波包和独立分量分析方法对脑电α波进行特征提取。先用按频带顺序排列的小波包算法将原始脑电信号进行分解,重构相关成分作为α波参考信号。然后用这一系列参考信号同脑电信号共同组成ICA方法的输入信号,再经FastICA方法分离,从而实现从脑电信号中提取脑电α波。提取出的信号频率集中在8~13 Hz之间,完全符合α波的特点,证实了该方法的有效性。
王振杰[8]2017年在《脑机接口中的运动想象脑电信号分析与处理方法研究》文中指出脑-机接口(Brain-Computer Interface,BCI)是一种基于脑电信号(Electroencephalogram,EEG)的人机交互方式,它能够不需要依靠周边的肌肉和神经组织,只依靠脑部信号便可以达到自由行动及与外界沟通等目的。本文以基于运动想象的脑电信号为研究对象,对EEG信号预处理、特征提取和模式分类等处理过程进行研究,本文主要完成的研究工作如下:(1)预处理:为了减少信号中的噪声和其它的干扰成分,本文利用自适应的小波阈值去噪算法对采集的脑电信号进行处理。实验采用BCI国际竞赛的数据集,结果表明该方法在很大程度上减少了噪声干扰。(2)特征提取:由于脑电信号的非线性特点,本文提出了将改进的经验模态分解方法与模糊熵算法相结合的特征提取方法。原始的脑电信号经过分解得到若干个固有模态分量(IMF),然后利用互信息筛选出有用的IMF分量并进行重构,最后利用模糊熵对其进行特征提取,并采用2008年的BCI竞赛数据验证算法的特征提取效果。(3)模式分类:当采用支持向量机(SVM)进行模式分类时,核参数g和惩罚因子C的选择关系着分类器的性能,所以本文利用人工蜂群算法(ABC)优化SVM的模型参数,以增强分类器的分类性能,并对提取的脑电信号特征进行模式分类。(4)实验结果与分析:实验采用2005年和2008年BCI国际竞赛的数据集,实验一对比了ABC算法与传统优化算法的寻优性能,证明了ABC算法具有良好的寻优性能。实验二的结果表明ABC算法优化后增强了SVM的分类性能,有效地提高了脑电信号的分类正确率。实验叁利用改进的EMD和模糊熵算法进行特征提取,然后结合人工蜂群优化的支持向量机对提取的特征进行分类,由实验结果可知,改进EMD和模糊熵算法相结合的方法是有效的,经ABC优化的SVM得到的识别率比传统的SVM要高。
马培培[9]2014年在《中风康复运动中脑肌电同步分析》文中研究说明脑肌电同步特征分析已经成为运动神经科学领域一个新的研究热点。在人体运动的神经控制过程中，大脑感觉运动皮层与肌肉之间的控制反馈联系发挥着至关重要的作用，这种联系体现在脑电信号(Electroencephalogram，EEG)与肌电信号(Electromyography，EMG)间不同层次的同步现象。脑肌电同步特征分析可以反映大脑与肌肉之间的功能联系，从系统的层面理解运动控制过程及其运动障碍的病理机制，为揭示运动控制过程中神经网络的协同工作方式提供了理论基础，也为神经康复运动的功能状态评价提供新方法。本文首先介绍了脑电和肌电信号的产生及特点，分析了神经同步活动及分析方法的研究现状，对比分析了脑肌电耦合特征的多种同步分析方法及各自特点，确定了本文的研究内容：分别从一致性同步和广义同步角度，基于频域相干性及信息传递性分析研究康复运动中的脑肌电同步特征。针对脑电和肌电信号的非平稳性特点，运用基于时频谱估计的小波相干性分析方法研究脑肌电频域成分的线性相关特性，通过实测数据分析验证了小波相干分析能有效描述脑肌电相干性的时间变化特征。针对脑肌电间的非线性耦合特性，且运动中特定脑电节律与肌电信号功能相关的特点，引入基于信息熵的两通道关联特征分析方法，提出基于小波分解的改进信息传递指数指标，从非线性和方向性角度研究脑肌电信号间的信息流动特性。通过仿真及实测数据分析表明，信息传递指数能描述与运动控制相关的脑电功能频带(Beta和Gamma波)与对应肌电信号间的信息传递特性，可用于描述不同耦合模型间的信息传递关系。最后，针对所研究方法进行实验研究。通过设计目标力输出任务实验，同步采集了6名缺血性中风患者和6名健康被试的脑肌电信号。应用本文小波相干分析和信息传递特性分析方法，对中风患者在运动过程中脑肌电间不同层次的同步特征差异表现进行研究，并与健康人的脑肌电同步特征进行对比分析，通过代理数据的方法验证同步特征的显着水平，同时统计分析任务表现、脑肌电频谱能量等因素对脑肌电同步特征的影响，为康复运动中的运动功能评价提供新方法。
康春香[10]2017年在《基于运动想象的脑电信号特征选择及分类算法研究》文中提出脑-机接口(Brain-Computer Interface,BCI)利用现代信息技术方法,在大脑层面研究脑电信号的处理过程,实现人机交互,为那些不能与外界正常沟通的残障人士提供了全新思路。实现此技术的难题之一便是利用相关脑电信号处理算法对脑电信号进行有效分类。为提高多类脑电信号的分类识别性能,本文基于Berlin IVa和Graz Data Set 2a两个标准数据集对多类运动想象脑电信号的相关处理算法展开了深入研究。主要工作如下:对于Berlin IVa两类运动想象脑电信号,为解决其数据维度高、平均分类正确率低这些问题,本文首先分别采用了MI互信息(Mutual Information,MI)、AR功率谱估计、CSP共空间模式提取有效的时间、频率、电极参数,实验结果表明以上叁种算法都能有效降低特征信号维度;然后运用LDA线性判别(Linear discriminant analysis)进行分类,发现利用AR-CSP组合算法进行特征提取时能进一步提高分类识别准确率。与2005年第叁届国际脑机接口竞赛获奖结果相比,本文分类效果仅次于第一名。针对Graz Data Set 2a四类运动想象脑电信号,为提高数据信噪比,本文运用独立成分分析法进行盲源分离;针对非平稳非线性特性运用了Wavelet小波分析和CSP共空间模式进行特征提取;然后使用SVM支持向量机进行分类。由于传统SVM算法在参数的选取上存在工作量大、寻优费时的缺陷,本文结合GA遗传算法(Genetic Algorithm)实现了惩罚因子和核参数最优值的快速选取。考虑到GA搜索比较耗时,本文实现了并行计算和模型保存机制。最终两种组合算法的分类效果相比之前都有很大提升。与竞赛结果相比,本文不仅可从多个角度衡量算法的有效性和可行性,而且本文采用的CSP-GA-SVM组合算法的KAPPA值高于2008年竞赛获奖结果第一名,Wavelet-GA-SVM的分类效果仅次于竞赛第二名,从而为脑电信号特征提取与分类提供了新的解决方案。最后,本文基于BCI2000平台进行了虚拟光标移动实验。将文中的部分算法应用于此实验,实现了虚拟控制,为脑电信号处理的实际应用提供参考。
参考文献：
[1]. 脑电信号的小波相关与互信息分析[D]. 李县辉. 汕头大学. 2003
[2]. 基于α频率光诱发的脑电（EEG）特性研究[D]. 郑杨. 南京航空航天大学. 2012
[3]. 基于运动想象的脑机接口研究[D]. 王舒欢. 天津工业大学. 2015
[4]. 基于互近似熵和互样本熵的脑功能网络构建及应用[D]. 马宏娟. 西安电子科技大学. 2014
[5]. 基于多类意识任务识别的电动轮椅脑电控制方法研究[D]. 何海洋. 杭州电子科技大学. 2012
[6]. EEG熵算法及麻醉状态监测应用研究[D]. 梁振虎. 燕山大学. 2011
[7]. 基于小波包与ICA的脑电α波提取研究[D]. 庞璐珉. 天津大学. 2010
[8]. 脑机接口中的运动想象脑电信号分析与处理方法研究[D]. 王振杰. 杭州电子科技大学. 2017
[9]. 中风康复运动中脑肌电同步分析[D]. 马培培. 燕山大学. 2014
[10]. 基于运动想象的脑电信号特征选择及分类算法研究[D]. 康春香. 西南科技大学. 2017