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
|
相似论文
- 基于小波神经网络的矿山事故隐患安全评价系统的设计,TD79
- 认知无线电网络中的基于信道特征的主用户仿真攻击防御技术,TN925
- 棉纤维成熟度纵向图像分析研究,TP391.41
- 基于电话信道的声纹识别算法研究,TN912.34
- 宽幅矮塔斜拉桥结构参数分析及宽幅箱梁剪力滞效应研究,U448.27
- 基于改进智能算法的电力机车牵引变压器故障诊断技术研究,U269.6
- 智能变形分析方法综合研究,P209
- 基于日负荷曲线的用电行业构成比例在线修正方法研究,TM714
- 面向装备研制的产品平台构建研究,TJ08
- 竹子地上部分形态特征及生长建模研究,S795
- 基于机器视觉的汽车流量检测算法研究,TP391.41
- 水泥加固红土的力学特性及神经网络模型研究,TU446
- 随机载荷特征参数提取与疲劳寿命预测智能系统开发,TH87
- 难治性颞叶癫痫的术前定侧评估,R742.1
- 基于小波变换和遗传神经网络的癫痫智能诊断,TP183
- 脑—机接口软件系统的开发,TP334.7
- 语音情感识别研究,TN912.34
- 孤立词语音识别算法优化的研究和实现,TN912.34
- 基于小波神经网络的数控机床关键部件故障诊断,TP183
- 戊四氮致痫大鼠颞叶和海马T型钙通道Ca_v3.2的表达变化及相关药物的干预作用,R742.1
- 基于小波理论的变形监测数据处理模型的研究,TU196.1
中图分类: > 工业技术 > 无线电电子学、电信技术 > 通信 > 通信理论 > 信号分析
© 2012 www.xueweilunwen.com
|