表征心算任务复杂度的脑电信号分析及其眼电伪迹去除

论文摘要

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,可能存在三种不同的认知策略。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,三种节律波的能量在两种难度的心算任务中的0.5～1秒内均不存在显著性差异,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。

论文目录

文章来源

类型: 硕士论文

作者: 张丽平

导师: 詹长安

关键词: 心算任务,复杂度,小波变换,眼电伪迹,功率谱估计,时频分析

来源: 南方医科大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,基础医学,电信技术

单位: 南方医科大学

基金: 国家自然科学基金项目(No.61271154),广州市高校创新创业教育项目(201709k28)

分类号: R338;TN911.6

总页数: 108

文件大小: 7140K

下载量: 117

相关论文文献

• [1].基于脑电信号反馈控制的双轨道小车控制器设计[J]. 电子制作 2019(23)
• [2].酒精脑电信号降维去噪方法的研究[J]. 长春理工大学学报(自然科学版) 2019(06)
• [3].脑电信号分析方法及其应用[J]. 中国医疗器械杂志 2020(02)
• [4].一种基于脑电信号的眼动方向分类方法[J]. 计算机科学 2020(04)
• [5].我国脑电信号分析方法及在工学方面的应用研究[J]. 中外企业家 2020(19)
• [6].基于脑电信号分析的换挡布置优化[J]. 汽车实用技术 2020(17)
• [7].基于多尺度排列熵的脑电信号分类[J]. 中国数字医学 2019(05)
• [8].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(06)
• [9].关于脑电信号的情感优化识别仿真[J]. 计算机仿真 2018(06)
• [10].基于脑电信号的耳鸣识别算法研究[J]. 科技传播 2018(13)
• [11].癫痫脑电信号的相关性分析[J]. 电子世界 2017(05)
• [12].基于半监督学习的脑电信号特征提取及识别[J]. 工程科学与技术 2017(S2)
• [13].基于脑电信号的驾驶疲劳的研究[J]. 世界最新医学信息文摘 2017(55)
• [14].运动想象脑电信号特征的提取与分类[J]. 工业控制计算机 2015(02)
• [15].脑电信号的最优分数阶傅里叶变换[J]. 沈阳大学学报(自然科学版) 2019(06)
• [16].基于多特征卷积神经网路的运动想象脑电信号分析及意图识别[J]. 仪器仪表学报 2020(01)
• [17].人脑电信号实时监测原型系统设计与实现[J]. 计算机工程与应用 2019(02)
• [18].基于方差和深度学习的脑电信号分类算法[J]. 黑龙江工程学院学报 2017(06)
• [19].脑电信号识别及其在机械手臂控制中的应用[J]. 生物医学工程研究 2016(04)
• [20].少年与中年脑电信号的多尺度符号序列熵分析[J]. 北京生物医学工程 2016(06)
• [21].基于卷积神经网络的脑电信号上肢运动意图识别[J]. 浙江大学学报(工学版) 2017(07)
• [22].脑电信号在线采集系统设计与实现[J]. 微型机与应用 2017(22)
• [23].便携式脑电信号采集与处理系统（英文）[J]. 航天医学与医学工程 2016(03)
• [24].正常人中医体质分类与脑电信号相关性探讨[J]. 辽宁中医药大学学报 2014(11)
• [25].脑电信号采集系统的设计[J]. 河北建筑工程学院学报 2014(01)
• [26].思维脑电信号的关联维数分析[J]. 河南科技大学学报(自然科学版) 2012(01)
• [27].一种适用于清醒动物脑电信号采集的固定装置[J]. 首都医科大学学报 2011(06)
• [28].运动想象脑电信号识别研究[J]. 计算机工程与应用 2010(33)
• [29].基于照片刺激下的脑电身份识别研究[J]. 江西蓝天学院学报 2011(04)
• [30].静息脑电信号频域不对称指数特征识别算法[J]. 电子设计工程 2020(09)

标签：心算任务论文;  复杂度论文;  小波变换论文;  眼电伪迹论文;  功率谱估计论文;  时频分析论文;