学位论文 > 优秀研究生学位论文题录展示

基于EEG的脑活跃度评估研究

作　者: 乔世妮
导　师: 张胜
学　校: 浙江师范大学
专　业: 计算机应用技术
关键词: EEG 特征参数小波神经网络脑活跃度
分类号: TN911.6
类　型: 硕士论文
年　份: 2011年
下　载: 49次
引　用: 0次
阅　读: 论文下载

内容摘要

近年来脑功能研究在婴幼儿智力开发、认知功能障碍评估、老年痴呆症等脑疾病防治、脑疲劳监测等脑功能研究的许多领域取得了重大进展。脑功能的研究方法可分为主观评定法和客观评定法。主观评定法依据经验建立各种脑功能研究的评定量表,如疲劳评定量表、精神分裂症评定量表、认知功能障碍评定量表等,主观评定法无法避免其固有的效度和信度较低的缺点。随着科技的进步,研究脑功能的客观手段也越来越多,但在脑的活跃程度评价方面还没有一个定量的衡量指标。为此,本文充分利用EEG在脑功能分析方面的优势,在大量实验的基础上,通过系统建模,得到一个与具体脑功能相对应的反映脑活跃状态的评价指标--脑活跃度,为认知科学和临床医学的研究提供定量依据。本文主要由三部分组成,具体如下：第一部分总体介绍了脑功能的研究现状、研究方法及存在问题,在分析各种研究方法优劣性的基础上,提出了基于脑电信号分析的脑活跃度模型。在此之上,简要介绍了脑电信号的产生机理、采集方法及特点,综述了脑电信号的时域、频域、时频和非线性动力学分析等信号处理方法,’并采用小波熵对抑郁症患者的脑电复杂度进行了分析研究。第二部分主要进行基于脑电信号的兴奋、恐惧、困倦及惊醒等四种情感的分类研究。步骤如下：(1)收集与这四种情感相对应的视频片断；(2)采集播放这四种情感视频时试验者的诱发脑电信号,并进行抗干扰预处理；(3)提取脑电信号的AR模型系数、频带能量及分形维数作为特征参数；(4)基于主成分分析进行特征降；基于互信息法进行导联选择(最终选出10个最相关导联),并采用遗传算法进行特征选择；(5)用基于遗传算法的Fisher分类器和基于PCA的Fisher分类器进行四类情感的分类与比对研究,发现前者比后者识别率更高。第三部分进行不同情感状态下脑活跃程度的探讨性研究。活跃度建模步骤如下：(1)采集志愿者在不同刺激强度情况下四种情感的诱发脑电信号,本文把情感刺激强度分为无、弱、中、强四个等级,定义其活跃度分别为0、0.3、0.6、1；(2)提取功率谱和复杂度特征参数；(3)采用小波神经网络进行脑活跃度模型构建。首先依据定义的情感信号进行网络学习,然后进行验证和预测研究。以恐惧情感为例,进行了其脑活跃度建模研究。收集四种不同恐惧程度的视频片断,然后采集其诱发脑电信号,用上述活跃度模型进行脑活跃度评估研究。结果验证了模型的可信度和准确性。本文脑电信号分析方法及活跃度模型为进一步开展智力开发、认知障碍评估、脑疾病防治、脑疲劳监测等研究提供了定量依据,具有较好的应用前景。

全文目录

摘要  3-5
ABSTRACT  5-8
目录  8-10
1 绪论  10-18
  1.1 研究背景和意义  10-11
  1.2 国内外研究现状  11-16
  1.3 论文研究内容和创新点  16-17
  1.4 论文结构  17-18
2 脑电信号及应用实例  18-35
  2.1 脑电信号基础  18-22
    2.1.1 脑电信号的产生机理及分类  18-19
    2.1.2 脑电信号的采集方法  19-21
    2.1.3 脑电信号的特点及应用  21-22
  2.2 脑电信号分析方法  22-28
    2.2.1 传统分析方法  22-27
    2.2.2 现代分析方法  27-28
  2.3 本文基于小波熵的抑郁症患者脑电复杂度分析  28-34
    2.3.1 小波熵简介  28-29
    2.3.2 抑郁症患者脑电信号采集及预处理  29-31
    2.3.3 实验结果  31-34
  2.4 小结  34-35
3 基于脑电信号的情感分类  35-58
  3.1 特定情感的脑电信号采集及特征提取  38-44
    3.1.1 情感脑电信号的采集  38-40
    3.1.2 情感脑电信号的特征提取  40-44
  3.2 特征选择算法及分类器设计  44-51
    3.2.1 脑电信号的导联选择  44-47
    3.2.2 基于遗传算法的特征选择  47-49
    3.2.3 基于主成分分析的特征选择  49-50
    3.2.4 Fisher多类分类器  50-51
  3.3 情感分类结果及分析  51-57
    3.3.1 基于遗传算法特征选择的分类结果  52-55
    3.3.2 基于PCA-Fisher和GA-Fisher的分类结果对比  55-57
  3.4 小结  57-58
4 基于小波神经网络的脑活跃度模型初步研究  58-70
  4.1 脑活跃度的定义  58-59
  4.2 本文脑活跃度建模特征参数  59-61
    4.2.1 Welch功率谱估计  59-60
    4.2.2 复杂度  60-61
  4.3 基于小波神经网络的脑活跃度模型构建  61-66
    4.3.1 小波神经网络基础  61-63
    4.3.2 脑活跃度模型  63-64
    4.3.3 小波神经网络脑活跃度模型实现步骤  64-66
  4.4 恐惧脑活跃度研究  66-69
    4.4.1 模型的实现  66-67
    4.4.2 模型结果分析  67-69
  4.5 小结  69-70
5 总结与展望  70-73
  5.1 总结  70-71
  5.2 展望  71-73
参考文献  73-79
攻读学位期间取得的研究成果  79-80
致谢  80-82

基于EEG的脑活跃度评估研究

内容摘要

全文目录

相似论文