唐艳[1]2008年在《基于时间、频率和空间域的自发脑电信号提取》文中研究表明脑一机接口为人们提供了一个全新的与外界交流的通道。近几年来,基于脑电信号的脑-机接口问题已成为一个研究热点,然而脑电信号本身非常微弱,容易受到外界干扰的影响,且信号变换因人而异,这些问题都严重阻碍了该领域的进一步发展。论文的主要目的是通过对各种脑电信号数据识别,找到一个更加准确、合理的实验模型来分析脑电信号。论文基于脑神经生理学特征,依据人体自发脑电位与思维活动的关联性,主要针对当前脑-机接口应用中实际存在的一些问题进行研究,并对一些算法改进。论文进行了如下几个方面的研究:首先,论文对常用的一些空间滤波器算法进行对比研究。重点分析了它们降低头骨影响,更好地突出神经元活动特征的能力。针对两种主要的空间滤波算法——主成分分析法和盲源分离方法,进行了深入的研究,通过对比它们消除脑电噪音的程度,指出了各自优缺点;然后,论文结合拉普拉斯滤波算法和盲源分离方法,实现了HMM-AR模型在脑电频率变换过程中的状态监测,提出了脑-机接口实验数据的时间动态分割算法;再次,论文结合神经生理学知识,对两类任务分离问题的脑-机接口竞争数据进行了详细的研究,利用公共空间模型算法和支持向量机分离器相结合,实现了机器自动选择特定的空间滤波器,并有效的实现了两类任务分离。从而证明了基于支持向量机的公共空间模型算法在两类任务分离问题上的有效性。然后对公共空间模型算法进行改进,提出了多类任务识别的公共空间模型算法,到达了很好的效果。最后,为了提高脑状态分类正确率,论文重点提出了时间—频率—空间滤波器算法。论文对公共空间滤波器的构造进行了改进,提出了时变公共空间滤波算法,结合脑电信号频率特征,论文进一步提出了时间—频率—空间滤波器算法,该方法通过大量的实验数据证明,具有明显提高分类识别率的作用。本论文的特色在于针对当前脑-机接口存在的一系列问题提出解决方案,为脑-机接口系统真正用于人们实际生活奠定基础。其中的创新点如下:(1)根据μ和β波的特性,论文结合拉普拉斯滤波算法、独立成分分析算法和HMM-AR算法实现了脑-机接口数据的时域分析。几种方法的结合能够识别不同状态下,脑电频率的变换,实现自动区分“空闲”和“忙碌”两种脑电信号状态。(2)针对多任务识别问题,对公共空间模型算法进行了改进,提出了一种多类分离的算法。以竞争数据包为数据源证明了提出的多类分离算法的正确性、可行性,该算法不但能够提高总的信息传输率,而且能够保证较高的分类正确率。(3)为了提高分类识别率,提出了一种新的公共空间算法——时变空间滤波算法。该算法中,公共空间滤波器的值不再是常数,而将随着时间变化而变化,它能够有效的提高任务的识别率。(4)针对减少训练时间,提高分类稳定性的问题,论文提出了时间—频率—空间滤波器算法,这个算法是在时变空间滤波算法基础之上,考虑了频率的特点,通过简单连接输入信号,并进行延时来实现。实验结果证明了该方法的实用性。总之,通过以上的工作,论文给出了一整套自发脑电信号的提取算法,包括噪音消除、想象运动开始点的识别、脑电信号特征提取以及特征分类。论文研究成果经过国际公开数据检验,取得了很好的效果。
孙宇舸[2]2012年在《脑—机接口系统中脑电信号处理方法的研究》文中进行了进一步梳理脑-机接口(Brain-Computer Interface, BCI)是一种不依赖于常规大脑的输出通道(外周神经和肌肉组织)实现人脑与计算机或其他电子设备通讯和控制的技术,是一种的全新的信息交流和通讯方式。通过采集大脑皮层的脑电信号(Electroencephalogram, EEG),利用数据处理技术解读大脑的意识活动,从而实现人类“利用大脑思维活动(意识)与外界进行交流”的梦想。脑一机接口技术巨大的理论研究价值和广阔的应用前景使其成为近年来研究的热点课题。本文以脑-机接口系统中的核心问题,即脑电信号的处理技术为研究内容,深入研究了脑电信号的预处理技术、特征提取技术、特征选择技术和分类识别技术,并基于对各种方法的研究结果,提出并建立了基于主从特征的异步BCI实验系统。通过对系统的实际测试,验证了本文方法在实际应用中的有效性,是对脑-机接口技术的实际应用进行的探索性研究。脑电信号的预处理是去除与脑电信号无关的噪声信号的过程,是实现脑-机接口系统良好性能的基础。针对脑电信号中经常混杂眼电伪迹的问题,本文采用独立成分分析和脑电地形图相结合的方法,实现了脑电信号中眼电伪迹的去除。利用独立成分分析方法分离脑电信号中各个独立的信号源,结合脑电地形图对眼电伪迹成分进行准确识别,通过将该成分置零后恢复原始脑电信号,达到成功消除眼电伪迹的目的。特征提取是整个BCI系统中最重要的部分。本文以运动想象脑电信号为研究对象,基于运动想象脑电信号中存在的事件相关／去同步现象,分别采用小波包变换、小波熵算法和AR模型方法实现脑电信号的特征提取,并构造了6种特征向量集。基于小波包分解技术,提出了基于脑电节律能量比的特征提取方法,提取的特征充分反映了运动想象脑电信号的特点,获得了较高的识别正确率,从而证明了方法的有效性。特征选择是对特征提取结果的优化处理。本文提出了一种基于SFFS-PLN相结合的特征选择方法,通过序列向前浮动搜索(Sequential forward floating seaeching, SFFS)算法实现特征子集的生成,采用分段线性网络(Piecewise linear network, PLN)对特征子集进行评估,从而确定最优特征子集,实现特征选择。实验结果表明,该方法有效地减少了冗余特征,提高了识别正确率。特征分类与识别是对大脑意识任务的判断,用于产生脑-机接口系统对外发出的控制指令。本文研究了K-近邻分类算法和基于BP神经网络的识别算法。针对BP神经网络训练速度慢,不易收敛的问题,提出了权重优化的BP神经网络训练算法,有效地解决了这一问题,使BP神经网络算法在实际BCI系统中具有实用价值。最后,本文综合对算法的研究成果,对异步BCI系统进行了实验研究。针对异步BCI系统中空闲与工作状态检测这一难点问题,提出了基于主从特征构建异步BCI系统的方法。首次采用BP特征作为主特征,有效地实现了异步BCI系统中空闲与工作状态的检测。利用脑电节律能量比作为从特征,实现了不同工作状态的识别。基于想象左右手运动的脑电信号,建立了基于主从特征的异步BCI实验系统。通过实际测试,系统表现良好,从而验证了方案和算法的有效性。
李伟平[3]2004年在《脑电信号自适应预处理方法的研究与应用》文中认为脑电信号是从头皮表面记录到的脑细胞群的自发性电活动。伪迹消除在脑电信号的分析及研究中起着非常重要的作用。独立分量分析(Independent Component Analysis,ICA)是一种自适应盲信源分离法，近年来已成为国际信号分析及处理领域的研究热点。自适应滤波技术具有很强的自学习、自跟踪能力，可用于平稳或非平稳信号的检测与处理。本文在综述国内外研究现状的基础上对独立分量分析和自适应滤波在脑电信号预处理中的应用进行了以下几个方面的研究讨论： (1)独立分量分析中的自动伪迹分量识别方法 在对多导信号进行ICA的基础上，提出了自动识别心电和呼吸伪迹分量的方法。该方法是利用功率谱作为判断依据，计算各独立分量的伪迹频段能量在总能量中的比重，根据此比重值判断伪迹分量。实验表明应用该方法能够有效地进行信号分离，并自动识别伪迹独立分量。在实验中我们采用固定点法进行脑电信号的线性ICA分离，结果表明脑电中伪迹能够较好的滤除。同时得出ICA比较适合于信号导联数较多情况的结论。 (2)非线性独立分量分析MISEP 对于复杂脑电信号，仅仅从线性上考虑是比较牵强的。目前国际已经开始出现对非线性ICA的研究，MISEP是一种线性和非线性都具备的ICA方法。它是最大互信息(Infomax)方法两方面的一个扩展：(a)处理非线性混合(b)学习非线性特性将其应用于输出。该方法能够在很广泛的统计分布里分离线性和非线性独立分量，通过对实验数据的处理，取得较好的伪迹消除效果。同时也发现该方法的鲁棒性较差，非线性函数的选择也值得进一步的研究。 (3)多参考自适应噪声抵消器 目前自适应噪声抵消器(Adaptive Noise Canceller,ANC)多为单参考型。为了得到更好的滤波效果，提出了多参考ANC。实验针对脑电信号中主要含有心电和呼吸两种伪迹干扰，设计了一种双参考ANC。滤波算法选用了RLS算法，主要是考虑到该算法的收敛性比较好。实验结果从消噪前后的时域波形和功率谱密度值可以看出，该方法能同时消除多路干扰信号，并有效的保留原始信号中的有用信号。
鲁少娜[4]2016年在《结合本体错觉反馈的运动想象脑电识别研究》文中认为脑电信号(Electroencephalogram,EEG)是一种能够体现人的思维意识以及肢体活动的生物信号。脑-机接口(Brain Computer Interface,BCI)则是脑电信号的一个重要应用方向,它可以实现人脑控制信息与其他外设之间的直接通信。而基于运动想象(Motor Imagery,MI)脑电信号的BCI具有想象任务简单、想象与目标动作一致性高、可以实现异步通信等特点、更适合用于康复辅具的控制和神经运动功能康复,成为BCI领域内近年来备受关注的研究热点。在BCI系统中,将脑电信号转换为控制指令是最核心的部分,也就是对脑电信号的特征提取和模式分类。本文在本体错觉反馈现象的研究基础上,提出了在运动想象识别中引入不同范式的本体感觉反馈环节,并分析其对识别实时性和准确率的影响。以下是论文的主要内容及其创新之处:(1)为了更好的消除脑电信号中混有的噪声,针对传统的经验模态分解方法在消噪过程中出现的模态混迭现象,以及传统提升小波易导致奇异点严重失真的不足,提出了一种基于总体经验模态分解与改进提升小波的脑电信号消噪方法,通过仿真和对比实验表明了提出的方法的有效性。(2)在特征提取方面,针对经验模态分解在处理多维信号过程中的局限性,提出了一种基于噪声辅助多元经验模态分解和样本熵相结合的脑电信号特征提取方法,依据运动想象脑电信号的事件相关去同步化/事件相关同步化现象,提取C3、C4通道的脑电信号分段的样本熵值作为特征向量。(3)在模式分类方面,应用了极限学习机,一种学习速度快且泛化能力强的求解单隐层神经网络的算法,对提取后的特征分量进行分类,并对该方法中激励函数和隐含层神经元个数的确定进行了研究。最后通过实验对算法效果做了验证分析。(4)在本体错觉反馈方面,结合人体平衡和本体感受器的机制,进行了本体错觉的振动模式的设计。做了不同范式运动想象识别实验与分析,探讨在无反馈,加入正反馈、负反馈和伪造反馈的环节下对运动想象脑电的分类识别的影响,实验结果表明,只有加入适当正反馈时,才能有效提高分类识别效果。而不当的反馈可能导致分类识别降低,甚至导致BCI系统不能正常工作。
唐浩月[5]2016年在《基于脑电信号特征分析的康复机器人系统研究与设计》文中研究表明现代社会中,中风、偏瘫等脑部疾病而导致的运动障碍给很多中老年人的生活带来了很多困难,他们需要科学的康复训练去帮助他们恢复肢体运动功能。在此背景下,基于脑电信号特征分析技术的上肢康复机器人作为一种康复训练的有效装置引起了人们的关注。人脑中共有大约1000亿个神经细胞,他们形成了极其庞大的神经细胞网络。人体大脑的神经细胞网络可以通过神经元的突触实现信息的定向传递,而该信息传递的过程会导致神经元内部的电离子浓度变化。大脑内部特定区域的电离子浓度变化会导致头部相应位置的皮肤表面电荷移动,使得从人体外部采集脑电信号特征成为可能。通过对脑电信号进行特征分析,可以实现基于运动想象对外部设备的控制。本学位论文拟把脑电信号的提取、分析与上肢康复机器人相结合,在以下四个方面展开研究:1.设计一种脑电信号的提取方案,并通过对信号处理与模式识别算法的研究,在原始脑电信号中对运动想象信息进行识别。2.在MATLAB环境中,对信号处理与模式识别算法进行仿真验证,并通过统计图直观比较其优缺点,最终设计实现一种可在软硬件平台中高效应用的脑电信号处理方法。3.设计一种基于LABVIEW编程的上位机软件,能够直观的对脑电信号进行观测,并有效的实现脑电信号的处理与分析,实现通过大脑想象对软件的控制。4.设计一套包含无线组网通信接口的康复机器人平台,通过嵌入式C语言编程实现脑电信号的处理,并实现通过脑电信号对康复机器人的控制。本文研究与设计了一套可以由脑电信号控制的康复机器人系统,满足偏瘫患者独立进行康复运动训练的需求。
牛小辰[6]2015年在《康复运动中的脑肌电特征分析》文中研究说明神经生理分析已经成为神经康复科学领域新的研究热点。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,这种联系分别体现在脑电信号(Electroencephalogram,EEG)、肌电信号(Electromyography,EMG)以及脑肌电信号间的不同层次同步现象上。脑电信号特征和脑肌电信号同步性可以反映大脑功能控制原理以及与肌肉间的功能联系,从系统的层面理解运动控制过程以及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依据,也为神经康复运动的功能状态评价提供新方法。近年来传统临床康复医学结合神经生理学理论发展出的康复疗法因其优越的安全性、有效性和经济性而备受关注。然而目前这些新兴疗法的具体康复机理尚待研究,从神经元群震荡的角度进行探索有助于理解其内在的康复机制。本文主要针对运动想象/运动观察以及步行训练叁种康复运动模式下的脑电及脑肌电信号进行分析研究,以进一步探索大脑与肌肉的运动控制及感觉反馈机理,为运动想象/观察和步行训练在康复领域中的广泛应用提供神经生理依据。首先,讨论大脑的基本结构和工作原理,介绍脑电和肌电信号的产生原理及其特点,总结了脑电信号和肌电信号分析的研究现状,讨论了目前常用的脑电、肌电预处理算法,对比分析了脑电信号时频特征提取和脑肌电同步特征分析的常用方法及其各自特点。对于运动想象和运动观察任务中的脑电信号特征提取,针对脑电信号的非平稳动力学特征,结合小波变换对其进行时频能量谱分析并提取事件相关去同步/同步化(Event-Related Desynchronization/Synchronization,ERD/ERS)时频特征,并对信号特征进行量化表述,对10名健康被试左右手运动想象/观察任务下的脑电信号进行分析。对于行走过程中的脑肌电同步特征分析,同步采集10名健康被试正走和倒走过程中脑电和肌电信号,首先采用一致性算法分析两种任务下的脑肌电频域同步特征;进一步采用格兰杰因果分析提取脑肌电信号间的方向性耦合特征;最后结合小波变换提出时频格兰杰因果算法,以描述行走过程中脑肌电的时域-频域同步特征。
王英华[7]2012年在《麻醉深度监护系统的嵌入式设计》文中研究指明麻醉深度监护对于指导麻醉用药，减少手术风险和病人痛苦具有重要意义。传统监护方法主要基于病人的自主反应和心率变化、自发性表皮肌电等生理参数，靠麻醉师的经验来估计，缺乏清晰的量化指标。近年来，基于头皮脑电信号(Electroencephalogram, EEG)的麻醉深度监测技术得到了广泛的重视，并有多款EEG麻醉深度监护产品出现。然而这些监护产品主要基于线性系统理论，分析非线性的EEG信号存在缺陷；而且价格昂贵，难以在国内推广。因此，探讨新的麻醉深度监测算法，并据此研制有独立技术的麻醉深度监护仪具有重要的现实意义。论文提出了一种基于数字信号处理器(Digital signal processor, DSP)的麻醉深度监护系统方案。分析了影响脑电信号分析的各种噪声的来源、特点和常见去噪方案，提出了适合麻醉深度监护和DSP计算的去噪算法。探讨了现有的脑电信号分析方法，并对基于排序熵的麻醉深度监护算法进行了详细介绍，包括算法原理、药代药效动力学分析、统计分析等。通过与其他参数的比较显示了排序熵的优越性能。文中还探讨了一种基于多尺度排序熵的麻醉深度监测算法。通过药代药效动力学分析和与另外几种常见麻醉监护参数的比较，表明该方法也能够很好地反映麻醉深度造成的脑电变化，并在一定程度上揭示了脑电信号的多尺度特性。论文介绍了包括前端放大器的设计、通道切换电路、数据采集逻辑、数据处理、数据传输及上位接收显示的完整硬件实现。在此基础上，介绍了DSP平台上的程序设计和核心的算法实现。包括数据采集、USB通信的基本原理和实现、相关滤波算法和排序熵算法的实现等。同时讨论了程序设计和算法优化中的一些关键问题。
范明莉[8]2017年在《基于卷积神经网络的运动想象脑电信号特征提取与分类》文中研究指明脑机接口技术(Brain Computer Interface,BCI)是指不依靠脑神经和肌肉组织,通过计算机在大脑和外部环境之间构建一种新的信息传输回路,可以直接实现大脑与外界环境的信息交流,是一种新型的人机交互方式。它能为思维正常但患有肌肉损伤、肌肉功能障碍的群体提供一种与外界交流的新途径,并且在军事应用、娱乐等领域也有着较大的应用前景。脑机接口系统的关键技术是通过对脑电信号进行处理,从中提取出能表征受试者的思维活动的脑电成分,作为分类器的输入,将分类结果转换成控制命令输出,实现对外部设备的控制。本文以提高四类运动想象脑电信号的识别率为目标,结合运动想象脑电信号的特性,对脑电信号的预处理、特征提取以及分类等过程进行了分析研究,主要工作如下:(1)首先介绍了脑电信号的分类及特点,对运动想象脑电信号的特性进行了分析。结合小波包变换(Wavelet Packet Transform,WPT)与快速独立分量分析(Fast Independent Component Analysis,FastICA)两种算法,对脑电信号进行预处理,滤除了脑电信号中的高频噪声与伪迹,便于后续的特征提取和分类。(2)当输入样本量较少,采用卷积神经网络(Convolutional Neural Network,CNN)对脑电信号进行分类时,网络权值得不到充分训练,导致分类效果差。针对以上问题,本文创新性地将公共空间模式(Common Spatial Pattern,CSP)与CNN相结合,对多类运动想象脑电信号进行两级特征提取并分类,与传统脑电分类算法相比,分类正确率有较大提高。(3)较小的脑电信号样本量导致无法充分训练CNN网络权值,而不同实验过程中网络权值的初始值对分类结果影响较大。针对这个问题,本文首先利用遗传(Genetic Algorithm,GA)算法对CNN权值进行预训练,在解空间内进行权值全局寻优;其次,利用误差反向传播(Back Propagation,BP)算法对最优网络权值进行局部修正。实验结果表明,本文所提出的方法能够在小样本量的情况下,达到较好的CNN网络训练效果,比传统利用BP算法对CNN进行权值训练得到的分类结果更加稳定。
贾希[9]2006年在《用于脑—机接口的脑电信号特征提取及分类的研究》文中研究表明近十几年来,脑-机接口(Brain-Computer Interface)技术的研究在国际上引起了广泛的兴趣并获得了快速的发展。它可以为神经肌肉损伤患者提供一种不依赖正常的外围神经和肌肉输出通道的新的通讯工具,也可以为正常人提供辅助控制通道或在特殊环境下的控制通道,因此具有巨大的社会价值和应用前景。信号分析与处理环节是实现BCI系统、提高系统可靠性与性能的关键,也是本文研究的主要内容。本文首先介绍了脑电信号的有关概念和特性等,并对脑电信号的处理技术的研究进展进行了综述。然后重点讨论了脑电信号的特征提取和分类的方法。主要对以下几个问题做了研究和讨论:(1)通过小波变换方法对左右手运动想象脑电信号进行降噪。在对各种小波阈值降噪方法(固定阈值形式‘Sqtwolog’及硬阈值法;使用Birge-Massart惩罚函数的阈值形式及软阈值法;使用分层阈值及改进的阈值法)的讨论比较之后,给出一种改进方案。然后对不同降噪方法处理后的脑电信号用概率神经网络进行分类。实验证明该降噪方案的降噪效果优于其它方法。(2)研究了左右手想象运动任务的60导诱发脑电信号在不同时段的幅值变化规律,对将脑部热区移动轨迹作为运动想象脑电信号特征的可行性作了探讨。同时,设想了一种新方法——质心法在不同想象运动任务的脑电信号图中的应用,证明了不同时段的脑电图存在不同的质心,进一步验证了进行不同的想象思维任务的时候,热区会随着不同时间发生移动的规律,并可作为辅助分类方法。(3)研究了脑电诱发电位提取的基本方法,并利用小波多尺度分解与重建方法对诱发电位进行了提取,实验中对诱发电位进行迭加平均处理,在一定程度上提高了信噪比,实验分类效果更好。然后,利用脑电图分析实验的结果,选取热区内的左中央、右中央、左顶、右顶四个导联的信号进行了特征提取与分类实验,利用小波变换和神经网络对所选的特征进行了测试。将各层的小波系数作为分类参数,证明了选取四导联脑电信号比二导联脑电信号的处理效果更好。说明在可接受的处理复杂度内可适当地增加导联信号的选取。
施秋霞[10]2013年在《便携式环境下基于离散小波变换和自适应滤波器的眼电去除模型》文中研究指明随着脑科学研究应用的飞速发展,脑电信号中的各类伪迹去除,尤其眼电噪声去除是其中的一项重要内容,如何有针对性地去除伪迹并且获取“干净”的脑电信号仍是非常具有挑战性的研究内容。很多时候,原始记录脑电信号中的噪声幅值很大,甚至完全淹没有用脑电信号,因此噪声去除的结果直接影响着脑电的进一步分析。目前,尽管已经有很多研究致力于脑电中眼电伪迹的去除,而且也取得了一定的突破,但是有的方法在去除眼电伪迹的同时也去除了大部分有用脑电信号,或者需要单独的眼电参考导联,这样的方法并不能很好的应用到便携式环境下的脑电采集与处理,因为便携式环境下有可能只记录了单导脑电信号。本文针对便携式环境下的脑电中眼电伪迹处理的特点,提出了一种基于离散小波变换和自适应噪声抵消器的眼电伪迹自动去除摸型。该模型比较新颖的一个特点是利用离散小波变换分解信号并对最低叁层小波系数进行阈值处理,从单导脑电信号中提取出参考眼电信号。文章通过处理模拟带噪的脑电信号和真实脑电信号分析验证模型的有效性,并且将本文模型与ICA模型、平稳小波变换阈值法进行去眼电效果比较。通过实验结果分析与讨论,验证了本文模型可以在去除眼电信号的同时对不受眼电信号干扰的脑电信号具有很好的跟踪性能,基本完好的保存了有用脑电信号,即便在脑电信号只有单导的情况下,同样可有效去除眼电伪迹。因此,该模型可以很好的适用于具有单通道可穿戴脑电记录传感器设备的便携式环境下。此外,本文中还将该模型应用到欧盟框架中压力人群的脑电信号的处理中。通过以上分析,该模型能够有效的去除眼电伪迹并很好的保留有用的脑电信号,而且能够在便携式系统下比较好地自动去除脑电信号中眼电伪迹。
参考文献：
[1]. 基于时间、频率和空间域的自发脑电信号提取[D]. 唐艳. 中南大学. 2008
[2]. 脑—机接口系统中脑电信号处理方法的研究[D]. 孙宇舸. 东北大学. 2012
[3]. 脑电信号自适应预处理方法的研究与应用[D]. 李伟平. 兰州理工大学. 2004
[4]. 结合本体错觉反馈的运动想象脑电识别研究[D]. 鲁少娜. 杭州电子科技大学. 2016
[5]. 基于脑电信号特征分析的康复机器人系统研究与设计[D]. 唐浩月. 电子科技大学. 2016
[6]. 康复运动中的脑肌电特征分析[D]. 牛小辰. 燕山大学. 2015
[7]. 麻醉深度监护系统的嵌入式设计[D]. 王英华. 燕山大学. 2012
[8]. 基于卷积神经网络的运动想象脑电信号特征提取与分类[D]. 范明莉. 郑州大学. 2017
[9]. 用于脑—机接口的脑电信号特征提取及分类的研究[D]. 贾希. 河北工业大学. 2006
[10]. 便携式环境下基于离散小波变换和自适应滤波器的眼电去除模型[D]. 施秋霞. 兰州大学. 2013