一、一种高分辨时频分析方法及在脑电信号处理中的应用（论文文献综述）
蒋鋆[1]（2021）在《面向癫痫预警任务的脑电信号分析算法研究》文中指出癫痫是一种伴有脑神经元异常放电的慢性非传染性神经系统疾病。临床医生通过视觉检出患者24小时包含丰富生理病理信息的脑电图完成对癫痫的检测诊断。由于视觉检测耗时耗力、主观因素强等缺点及脑电图能总体反映脑神经细胞电生理活动的特点,联合信号处理和模式识别的癫痫分析技术成为研究的热点。为了降低癫痫发作造成的伤害,在癫痫发作后利用脑电信号对癫痫事件分类检测的前提和基础上,通过癫痫患者的长期脑电记录识别检测出视觉无法观察到的癫痫发作先兆特征可以完成对癫痫的预警任务。癫痫的突发性和高危性严重影响患者的身心健康、增加医护人员的工作负担以及加大社会风险指标,癫痫发作的早期预测是癫痫疾病治疗的瓶颈。已有研究表明,在癫痫发作前患者的大脑模式已经发生变化,通过在发作前特定时间区间内完成对神经活动异常变化的检测可以有效实现癫痫预警。因此,在癫痫发作之前完成对发作事件的预测,医护人员发现警报信号后及时进行给药或电刺激等介入控制,可以减少发作次数并提高生活质量,这对于癫痫疾病的早期干预治疗有着重大的研究意义和临床价值。基于脑电信号的癫痫预警算法研究正处于起步阶段,面向实际临床应用时存在虚警率高、普适性差等问题,此外复杂多样的脑电信号也为癫痫研究带来了挑战。本文在完成不同时期癫痫脑电信号的检测基础上,在特定时间区间完成对癫痫发作先兆特征的识别从而实现癫痫的预警分析研究。分别针对现有面向临床诊断的癫痫脑电信号检测算法稳定性、复杂度以及普适性问题展开研究,建立相应的模型并探索方法的有效性。本文主要研究工作和创新性成果如下:（1）针对算法对癫痫信号表征能力不足导致面向多种分类任务时识别结果差异较大的问题,提出了基于散射变换的癫痫脑电信号检测算法。散射变换融合小波域和复数域的分析特性,通过复小波分解的级联和局部加权平均方法得到具有时移不变性和局部稳定性的信号特征,在多个散射路径不同方向、尺度的迭代分解为提高表征能力的稳定性做出贡献。利用散射变换域的模糊熵和对数能量熵特征得到对多个不同时期癫痫脑电信号的互补表征,充分挖掘了能够区分癫痫发作期信号与其他时期信号的有效动力学特征。在德国波恩大学癫痫脑电数据集上,利用极限学习机分类器完成八种不同“癫痫发作-其他”任务的分类,均取得了不低于99.56%敏感性、99.50%特异性、99.50%准确率和0.99Matthews相关系数的评价指标。稳定的识别结果表明了所提算法对不同时期癫痫脑电信号的有效表征能力,癫痫发作信号的可区分度得到有效提高。（2）针对检测模型复杂度高且需要人为经验选择特征的问题,提出了基于辛几何的癫痫脑电信号检测算法。直接在辛空间中通过辛相似变换完成对不同类型癫痫脑电信号的自适应特征提取,避免了人工设计特征的缺陷。作为哈密顿体系中的一种正则变换,辛相似变换能够保持原始脑电信号的可测性和基本特性。得到的特征向量之间不仅具有相互正交性,非线性变换的本质也更适合于癫痫脑电信号的动态分析,在提高表征能力的同时大大降低了模型的复杂度。将辛特征送入K近邻分类器中,在波恩大学癫痫脑电数据集的十种临床多分类任务中,敏感性、特异性、准确率和Matthews相关系数分别不低于为99.17%、99.17%、99%和0.96;在波士顿儿童医院23名受试者的多导联头皮脑电数据库的“癫痫发作-非癫痫发作”任务中,上述评价指标的平均性能分别为97.17%、99.72%、99.62%和0.92。分别在长、短程数据集中得到的实验结果验证了所提检测模型的较高分类精度和较低复杂度,为癫痫发作辅助诊断系统的开发奠定了基础。（3）为了在癫痫发作发生前完成对病人的警告,在前期实现不同时期癫痫脑电信号检测算法稳定性和低复杂度研究的基础上,在特定的时间区间内继续对基于癫痫发作先兆特征的预警任务展开研究。针对在多个受试者上普适性较差的问题,提出基于同步提取线性调频小波变换的癫痫脑电信号预警算法。通过结合短时傅里叶变换可逆性和理想时频表示稀疏性的优势获得一种相对理想且具有较高分辨率的癫痫脑电信号时频表征。引入线性调频率参数得到高能量集中度的时频脊线。通过舍弃扩散模糊区域的时频能量后仅保留与信号时变特性最相关的时频信息。最后利用辛几何分解得到发作先兆状态的有效特征并通过支持向量机完成对癫痫发作的预警分析。1min癫痫发作预测期和30min癫痫发作发生期的条件下,在波士顿儿童医院17名受试者的头皮癫痫脑电数据集中,对共计83次的癫痫发作事件取得了90.92%的平均灵敏度和0.14/h的虚警率;在Kaggle癫痫预测竞赛数据集所有受试者的颅内脑电数据上,所提算法的平均灵敏度和虚警率分别为91.5%和0.16/h。在不同癫痫预测数据集中多名受试者的不同类型脑电信号上验证了所提预警算法的普适性,为面向临床的癫痫预警分析算法提供了新的解决方案。综上,本文在完成多种不同时期癫痫脑电信号的后验性癫痫发作检测的研究基础上,立足于基于癫痫脑电信号研究的实际临床应用需求,提出了面向预警任务的癫痫脑电信号分析算法模型,实现了在癫痫发作前对病人准确可靠的警告。本文的工作为基于脑电信号的癫痫预警算法奠定了理论基础,为下一步癫痫的临床预警治疗系统的开发提供了一种解决方案。
王亮[2]（2020）在《基于FPGA的运动想象脑电信号的分类识别研究》文中认为脑机接口（Brain computerinterface,BCI）通过解读人在思维活动过程中的大脑生理信息,在大脑与外界之间建立一个直接传输信息的通道,在健康监护、高级人机交互等应用领域有广泛的前景。基于运动想象的脑机接口是一类非常重要的脑机交互策略,其特点是检测和分类识别用户思维“想象”相关的脑信号来控制神经假体、轮椅等外部设备来完成已经失去功能的外围神经应有的运动、行走等功能。针对左右手运动想象脑电信号,本文采用了基于小波变换特征提取和主成分分析（Principal Component Analysis,PCA）与支持向量机（Support Vector Machine,SVM）联合分类方法。小波变换多分辨率的特点很适合用来提取随机、非平稳的脑电信号的特征。实际应用中,将BCI Competition Ⅱ 2003脑电数据训练样本进行预处理后与db4小波滤波系数卷积,然后对卷积结果向下偶数位置采样的低频系数作为下一层输入信号与滤波系数卷积运算,重复以上步骤可以实现Mallat四层分解并将低频系数作为特征向量。由于提取的信号特征维度较高,采用PCA降维和SVM分类算法能够避免小波变换带来的维数灾难和过拟合。PCA的降维过程可以看作特征向量与样本均值做差后与PCA的投影矩阵相乘实现降维。利用训练样本对SVM训练,找到对分类效果最好的权系数向量和偏置,最后得到的决策函数,将降维后的特征向量送入到决策函数中得到分类结果。在分类算法的FPGA设计中,首先将脑电信号通过Mallat四层分解模块,得到的维度为98的ca4作为特征向量:其次,在PCASVM模块中将matlab里得到的训练样本均值、PCA投影矩阵和SVM最优的权系数向量的乘积固化到ROM中。PCA+SVM模块实质作用使ca4维度降到为15特征向量并与SVM最优的权系数向量相乘;最后,时序控制模块和输出有效位控制模块保证PCA+SVM模块正确有效的输出到输出选择模块,输出选择模块对左右手运动想象脑电信号分类。通过仿真结果表明,本次设计的脑电信号分类系统系统响应时间为9.1us、识别率为93.33%和Kappa系数为0.867,具有一定的稳定性和实时性。图[52]表[4]参考文献[63]
耿敏行[3]（2020）在《基于S变换和双向LSTM网络的癫痫自动检测研究》文中研究说明癫痫是一种由脑部神经元异常放电引起的神经系统疾病,具有反复性、突发性等特点。据世卫组织统计,全球约有5000万人遭受癫痫的困扰。该病患者会出现功能障碍、意识丧失、昏厥等临床表现,这严重危害了人们的身心安全,也给家庭和社会增加了负担。脑电图是医生在诊断和治疗癫痫的过程中十分重要的工具。专家通过肉眼分析脑电记录中包含的信息来确定癫痫病灶区以及每次发作事件的开始和结尾,并依此确定诊疗方案。由于脑电图的数据规模非常庞大,记录时长通常在24小时左右,人工分析脑电图不仅耗时耗力,也可能发生误判和漏判。随着信息技术的发展,越来越多的重复工作可以由计算机辅助完成。因此,利用计算机辅助技术实现癫痫自动检测对减轻医疗工作者负担和提高检测准确率有着十分重要的意义。自动癫痫检测技术迄今己有几十年的发展历史。最早的癫痫分析方法是半波脑电特征提取,随后逐渐演变到时频分析、稀疏表示、机器学习、深度神经网络等多种方法。癫痫检测技术的基本思路就是提取出癫痫脑电的特征波,并与正常脑电进行分析对比来判定癫痫发作。目前常用的方法是特征提取器和分类器相结合。特征提取器主要使用包括时域分析、频域分析、小波变换、非线性动力学分析等方法提取脑电信号特征,分类器主要包括支持向量机、随机森林、最近邻分类、人工神经网络等。本文提出了一种结合S变换和双向LSTM网络的癫痫自动检测算法。S变换是一种具有多分辨率、低复杂度的高性能时频分析方法,近年来在信号分析领域得到了广泛应用。双向LSTM神经网络是普通循环神经网络的改良变体,具有优良的时序分析能力,它被广泛应用在时间序列问题上,如心音检测、股市预测等领域。在本文中,我们首先使用S变化提取脑电信号时频矩阵,在进行特征压缩后送入双向LSTM神经网络训练和分类,并对输出的数据作后处理,得到最终判决结果。本文利用国际开源的德国弗莱堡大学长程脑电和美国波士顿儿童医院脑电数据进行测试,分别得到了 98.09%和96.55%的灵敏度。此外,我们积极地同医院开展合作,建立了 SH-SDU山大二附院数据库。在该数据集上,我们的系统也得到了敏感度93.31%的良好结果。实验结果表明本文提出的方法能够有效的实现癫痫检测,具有一定的实用价值。
乔莹[4]（2020）在《基于盲源分离的脑电信号重构算法研究》文中提出脑电信号的波形幅值等信息可以准确的反映人体健康状况。在临床应用中,纯净的脑电信号也可作为医生判断病症的依据之一。由于硬件设备的限制以及人体生理结构的复杂性,脑电设备采集到的信号均为脑电信号与其他伪迹的混合信号,从混合信号中重构纯净的脑电信号对人脑科学的发展大有裨益。本算法基于盲源分离算法的经典两步。在短时傅里叶变换中,由于窗口长度与时频域分辨率息息相关,故根据信号的变化使用变窗口长度参数进行傅里叶变换,使用renyi熵评价信号变换后的密集程度,选取renyi熵最小的窗口长度参数作为短时傅里叶变换的窗口长度参数。同时,使用同步压缩将信号的能量集中,增加信号的稀疏特性。在进行混叠矩阵估计之前,首先对信号进行去噪,归一化处理使其转换到混叠矩阵尺度上。由于信号在进行同步采集时彼此间会存在一定的干扰,信号间并不是完全独立的。所以采用白化算法对信号进行处理,可使各个源信号基本满足独立条件。以满足盲源分离法信号间是独立的这一预设条件。在某一时频点处,此时可能为单一信号源或多信号源点,然而在非单源点处,观测信号并不是混叠矩阵的线性组合。对于混叠的估计而言,单源成分点才能精准的估计出混叠矩阵,故需要对信号中的单源成分进行盲识别。根据同源混合信号的归一化时频域向量的实部与虚部是相等的这一原理筛选出观测信号中的单源点成分,更有利于后续算法的精度提升。由于k均值聚类初始聚类中心随机选择,算法极易陷入局部最优。据此提出了基于密度指标的改进k均值聚类算法。引入局部密度指标与高局部密度距离两个指标,选取局部密度大且高局部密度距离也较大的点作为聚类中心,提高了聚类效率,也避免了将离群点选为聚类中心的情况。对于目前最常用的源信号恢复法L1范数最小化法,使用最大后验概率求得L1范数最小的信号投影方式。本文在此基础上,加入向量长度参数,求每种投影方式的基向量的和向量与信号采样点相比较,夹角最小的投影方式,即为所求分解向量。根据数据库中的脑电数据与眼电数据模拟出混合信号,使用本文所述改进算法进行脑电信号数据重构,由模拟结果可得,本文算法可以有效的提高脑电信号重构精度,且通过自适应算法的改进,可以实现参数自动调整,无需多次重复实验。
秦孟鑫[5]（2020）在《基于深度置信网络脑电信号医学数据处理算法优化研究》文中研究说明大脑是人类自身最神秘复杂的器官,至今人们没有解开大脑神秘的面纱。而脑电（EEG）信号是大脑与外界交流的“声音”,是人们探索大脑的“媒介”。目前有关脑电信号的脑-机接口（Brain Computer Interface,BCI）技术研究是脑功能研究的热门领域。在该技术中,通过脑电信号来判断人们的意图,由此可以不依靠肢体或者语言器官与外界进行交流沟通,为语言功能丧失等疾病的患者带来了福音。脑电信号的特征提取和分类是脑-机接口技术研究的重要环节,也是本文研究的重点内容,本文对脑电信号特征的提取方法进行深入的研究,主要包括时域、频域以及时频域提取方法。进而研究脑电信号的分类方法,主要包括两种模式的分类方法:浅层和深层机器学习模型。另外,本文利用深层机器学习模型分与小波包分析结合的方法对脑电信号特征进行提取,然后对离线脑电信号数据集进行分类实验。本文主要研究内容和创新点概括如下:（1）本文研究深度置信（Deep Belief Netwroks,DBN）模型的理论基础,并与小波包分析方法结合提取脑电信号的特征,选择最适合的小波基、网络层数以及小波包分解层数来提取脑电信号特征,并进行脑电信号分类。（2）本文探究DBN模型在脑电信号分类领域中的应用。根据脑电信号多通道的特点,将多通道DBN模型应用于脑电信号分类领域中,首次将小波包变换方法与多通道DBN模型结合来提取数据特征和分类,并与普通单通道DBN模型对比,证明该方法的优越性。（3）本文讨论DBN模型中训练算法的优缺点,首次将基于自由能量的持续对比散度（Free Energy In Persistent Contrastive Divergence,FEPCD）算法应用到多通道深度置信网络模型的训练之中,并且首次应用于脑电信号分类领域。FEPCD算法的核心思想是根据样本自由能的大小来提取精英样本,然后再利用持续对比散度（Persistent Contrastive Divergence,PCD）算法对DBN模型训练。通过实验对比散度（Contrastive Divergence,CD）、PCD、FEPCD三种DBN模型训练方法,证明该方法的优越性。
龙灿[6]（2020）在《基于集成学习的运动想象脑电信号分类研究》文中认为脑机接口（Brain-Computer Interface,BCI）作为多学科交叉应用的新兴研究技术,受到等众多领域的青睐,比如,神经科学、人工智能、模式识别。脑机接口是一种全新通信技术,可以不依赖任何肌肉组织就能达到与外部设备通信、控制的目的,一直受到各界广泛关注。在脑机接口研究领域,运动想象（Motor Imagery,MI）脑机接口是BCI其中一类,只需要被试进行简单的动作想象就可以在大脑皮层产生相应信号作为BCI的输入,因此受到特别关注。BCI系统可分为多个模块,比如采集、预处理,特征提取,分类和输出模块。BCI系统最重要的就是良好的分类准确率。为此,本文主要针对脑机接口中脑电预处理、特征提取、分类等进行了以下研究:脑电信号是具有非平稳非线性、高维数、低信噪比的复杂生物电信号,单一的时域或者频域分析具有较大局限性,联合时频分析的小波变换无法完全区分和脑电信号相似的伪迹成分,降低分类识别率。鉴于此,提出了一种基于多域特征的随机子空间集成学习实现运动想象脑电分类的方法,本文结合MI信号特有的ERD/ERS特性分析,快速准确定位出最佳时频段,多算法互补提取多域特征作为特征向量,结合交叉验证自适应确定集成规模,最后集成线性判别分析（Linear Discriminant Analysis,LDA）分类器用于分类输出。实验结果表明,本文提取的多域特征比单一的特征可提高3%左右的正确率,随机子空间集成比传统集成学习算法至少可以提高2.14%的正确率,适合用于脑电分类。结果显示,在BCI II数据集III上所提方法分类准确率为90.71%,BCI IV数据集2b上Kappa系数可以达到0.63,均优于竞赛第一名成绩。在集合了多域特征的BCI系统中,集成学习确实优势明显,能提升系统可靠性的同时获得较高分类正确率。本文提出了一种基于XGBoost的Stacking集成模型用于运动想象脑电分类研究。第一层由XGBOOST、随机森林（Random Forest,RF）和逻辑回归（Logistic Regression,LR）模型构成,第二层由XGBOOST模型最后输出。实验结果表明,本文提出的Stacking模型在数据集BCI 2003（Data set III）正确率可达89.29%,精确率可到89.86%,召回率可达88.57%,F1值可达89.21%。对比其他分类算法,如KNN、SVM、RF、GBDT、XGBoost,本文所用分类模型比单一模型正确率至少可提高3.58%,可为后续运动想象脑电分类研究提供一定参考价值。
王芳[7]（2019）在《基于脑电分类任务的数据扩增与时空消歧》文中研究表明脑电信号作为一种从头皮记录的生理信号,其中包含着与大脑皮层活动直接相关的、复杂而隐式的信息。通过分析高分辨率的、不可人为更改和隐瞒的脑电信号,可实时、高效、可靠的获悉人类的大脑活动状态。因其自身的特点与优势,基于脑电信号的分类任务的研究已经被应用在了工业,医学,军事和游戏等领域。但是,脑电信号分类任务中仍然面临着一些由脑电自身特性产生的、阻碍脑电分类任务发展的问题,例如:脑电数据样本量不足和脑电信号间存在时空差异性。针对以上两个问题,本研究分别提出了脑电数据扩增和脑电时空消歧两种方法。在脑电分类领域,可用于科学研究的脑电信号样本量较少是一个普遍存在的问题,该问题阻碍了使用深度学习等技术进行脑电分类任务的探究。由于脑电信号采集条件和成本的限制,现有的公开脑电数据库中的样本量普遍较少,而这种数据短缺会增加将一些需要大量训练数据的模型方法应用到脑电分类任务中的难度。比如,近几年,深度学习方法已经在图像、视频等处理分析领域取得了惊人的成就,但是脑电数据短缺阻碍了基于深度学习模型的脑电分类任务的探究。因为像深度学习这种复杂的模型往往包含大量的模型参数,需要更多的训练数据来支撑参数的训练。为了解决脑电数据缺乏这一问题,并促进深度学习技术在脑电分类任务中的应用,本研究探究并提出了一种简单的基于数据扩增的脑电数据分类方法。该方法以传统脑电分类框架为基础,通过向脑电数据的特征空间中加入一定强度的噪声来快速地生成新增脑电训练样本。经过在两个标准脑电情感识别数据库上比较数据扩增前后浅层模型和深层模型上的效果,实验结果表明本研究提出的脑电数据扩增方法可在现有的、单一任务的小样本量脑电数据集上,快速生成可保持真实数据分布的新增脑电样本,提高基于深度学习的脑电情感分类精度。此外,人类的脑电数据中还存在时空差异性,这种差异性会使得脑电分类模型在个体间或个体内部的不同实验阶段间的泛化能力较差。通常,脑电信号采集自不同个体的多次实验阶段。由于个体间的时间和空间感知差异,相同刺激下,不同个体的脑电信号在时间域和空间域上存在偏离。此外,同一个个体,由于身体状态和认知水平等因素的变化和影响,相同刺激下的多次实验过程中获得的脑电信号也存在时间域上的偏离。这种时空感知差异会导致脑电信号的时序特征不能被充分利用,脑电分类模型在个体间的泛化能力差等问题。为了解决这一问题,本研究提出了一种基于时空消歧的脑电数据分类方法,该方法可构建一个时空统一的脑电分类模型。方法中,首先基于大脑的偏侧性对高维脑电数据进行降维,获得偏侧性特征;然后,在空间域上,使用特征选择算法获取空间有效表达通道;最后,在时间域上,基于空间域上的处理结果,使用时间规整算法将脑电信号向距离最近的表达通道上的信号进行对齐。实验中,首先分别探究了偏侧性降维,空间特征选择,时间规整三种方法的效果,然后进一步结合以上三种操作进行完整的脑电时空消歧方法效果的探究。通过比较方法前后时间序列模型在一个标准脑电视觉分类数据库上的分类效果,实验结果表明本研究提出的结合脑电信号的时间域和空间域特性进行的脑电时空消歧方法不仅可有效地提高基于深度学习的、多个体上的脑电视觉分类效果,还可在一定程度上加快训练模型的收敛速度,节约计算资源。
刘毅[8]（2019）在《基于EMD技术的肺音信号处理关键技术研究》文中研究说明EMD（Empirical Mode Decomposition,经验模态分解）算法是由美籍华人黄鄂于1998年提出来的一种新型的自适应时频分析方法,该方法基于信号局部特征,对于非平稳、非线性信号的处理具有特有的优势。与传统的以线性和平稳假设为基础的傅里叶分析、小波变换等时频分析方法相比,EMD算法在处理非平稳、非线性信号时展现出了独特的性质,在理论研究和工程应用上都有着重要的研究价值。肺音信号处理是无损检测人体肺部疾病的重要手段,在呼吸系统疾病日益严重地威胁人类健康的今天,使用计算机技术对肺音信号进行记录、检测识别、定量分析、辅助诊断,无论是对实际临床诊断准确性的提高,还是对于相关理论研究都具有重要的意义。本文深入研究了EMD算法,首先从理论的角度对EMD算法中的包络线拟合问题和端点效应问题进行了研究,并提出了改进方法。然后从应用的角度出发,针对肺音去噪问题,进一步研究了基于EMD去噪的相关算法,提出了基于EMD和盲源分离的肺音去噪新方法。本文的主要内容和创新点如下:（1）针对EMD算法中传统的三次样条插值带来的包络线过冲/欠冲现象、模态混叠问题,提出最优有理Hermite包络线插值算法:ORHEI（Optimal Rational Hermite Envelope Interpolation）,通过形状参数的调整灵活改变包络线的形状,为了达到最优效果,使用PSO算法（Particle Swarm Optimization,粒子群优化算法）找到曲线簇中的最优曲线,完成包络曲线的优化和选择。通过仿真信号和实际非线性非平稳信号的测试,验证了算法的有效性。实验证明,该方法在消除过冲/欠冲现象、模态混叠问题上与传统方法相比都得到了提高。（2）针对EMD算法中的端点效应问题,首先分析了抑制端点效应的两种解决思路,然后对典型的几种抑制端点效应问题的方法包括:镜像延拓法、波形匹配法、多项式拟合法和人工神经网络法进行了深入的研究,总结了这四种典型方法的特点并做了仿真对比实验。最后,在上述研究的基础上,提出了一种基于最相似子波的抑制端点效应方法。仿真信号和真实信号的实验表明,新方法能够有效的抑制端点效应,同时由于考虑了信号的自身特性,因此较好的保留了信号的本身特征,在相似系数、平均相对误差指标上均优于传统的方法。（3）针对肺音信号处理中的去噪问题,总结了肺音信号中噪声的种类和当前肺音去噪研究的现状。针对目前使用电子听诊器采集肺音的单通道特性,提出了使用EMD软阈值去噪和单通道盲源分离相结合的方法（ESBSS去噪法）消除肺音中的噪声。方法首先使用EMD软阈值去噪的方法消除如肌肉摩擦音、肠胃蠕动音、环境、操作等带来的各种噪声,再使用单通道盲源分离方法分离出心音,从而得到消除噪声的肺音信号。通过对采集得到的三种正常肺音的实验,从波形、听觉和客观评价指标三个方面验证了ESBSS去噪法法在肺音信号去噪方面的有效性,同时通过基于SVM的识别实验进一步验证了新方法对于肺音识别亦具有提升作用。
杜硕[9]（2019）在《面向智能辅助驾驶的运动想象脑机接口研究》文中研究表明目前,包括无人驾驶车辆在内的智能车辆做出的决策往往让驾驶员感觉笨拙,加重其紧张情绪;而且,现有的智能车辆降低了驾驶员的驾驶参与度,使其易出现困倦或者注意力分散等安全隐患,同时,此类车辆也缺少与残疾驾驶员间的有效的交互通路,车辆无法获取此类驾驶员的驾驶意图,也不能将其送达目的地。如果能够利用脑机接口（Brain computer interface,BCI）技术翻译脑电信号获取驾驶员的驾驶意图进而控制车辆,那么驾驶舒适度会得到提高,残疾人的移动范围也将得到极大拓展。BCI系统能够在人脑和电脑或其他外部设备之间建立直接通路,借助于脑机接口,人无需身体上的动作即可与外界进行有效的信息交互。作为该系统的重要分支,运动想象脑机接口系统将自发脑电信号作为系统信号源,无需任何外部刺激及有创手术即可获得,因此受到广泛关注。运动想象脑机接口系统的关键环节之一为脑电信号的特征提取及其准确分类。本文围绕智能辅助驾驶领域中的运动想象脑机接口展开研究,为提高运动想象脑机接口的识别率,并使运动想象脑机接口在智能辅助驾驶中得到应用,开展以下工作:（1）从运动想象脑电信号的产生机理出发,研究运动想象脑电信号的特征。利用变分模态分解构建单通道下运动想象脑电信号的研究框架,该框架采用变分模态分解与希尔伯特变换提取高维时-频特征,采用深度信念网络对高维特征降维得到最优特征后进行分类,能够实现自动选取最优时段与最优频段,以避免人工特征筛选造成的信息遗漏现象。（2）依据脑电信号的多通道属性,利用多变量经验模态分解构建多通道框架下运动想象脑电信号的研究框架,该方法在对脑电信号采用多变量经验模态分解算法处理后利用希尔伯特变换提取时-频特征的同时,采用非线性动力学耦合特征、相位耦合特征和频率耦合特征构建运动想象脑电信号的多通道特征提取框架,以提升运动想象脑电信号的识别率。（3）根据文中所提的理论方法,利用通讯技术搭建本课题所需的虚拟智能辅助驾驶平台,通过实验数据和离线竞赛数据验证所提方法的正确性和运动想象脑机接口在智能辅助驾驶中的可行性。
魏艳[10]（2019）在《神经病理性疼痛对前扣带回-海马环路神经振荡的调节作用研究》文中研究说明目的:神经病理性疼痛是一种患病率高、持续时间长的慢性疼痛,长期影响患者的生活和工作。大多数传统的镇痛药物对神经病理性疼痛收效甚微,因此它一直是临床上的医学难题。在神经病理性疼痛发展过程中,往往伴随着高级中枢神经活动的改变,而脑电信号分析法是目前研究较多的,能实现实时检测神经电活动的研究方法。因此,以大脑神经活动为研究目标,开展慢性疼痛的脑电信号分析和处理将有助于理解慢性疼痛在大脑相关脑区的表征。本课题旨在解码神经病理性疼痛过程中的特征性脑电信号,期望能为临床慢性疼痛的治疗提供新的靶点和实验理论依据。方法:设计制作双脑区电极,手术埋植到小鼠的海马和前扣带回脑区。分别于小鼠坐骨神经慢性压迫模型（chronic constriction injury,CCI）术前1天,术后3、7、14、21、28、35、42、49和56天对小鼠的脑电信号进行有效记录。建立CCI为神经病理性疼痛模型。行为学观测、GFAP脊髓背角免疫荧光染色检测造模效果。分别于CCI术前1天,术后3、7、14、21、28、35、42、49和56天对小鼠损伤足的机械痛和热敏痛进行检测。利用MATLAB和Neuroexplorer软件对脑电信号进行分析,探究双通道跨脑区的信号相关性。先对单通道的频谱能量密度（power spectral density,PSD）进行分析,再对双通道的幅度-幅度相关性（amplitude-amplitude coupling,AAC）、相位-幅度相关性（phase-amplitude coupling,PAC）进行分析找到特征节律。对特征节律进行量化,分析特征事件在慢性疼痛过程中的变化。对特征事件的时域进行分析,探究事件发生的时序性。依据颅电（electroencephalogram,EEG）、肌电（electromyography,EMG）和运动参数对全时段进行睡眠分析,分析造模过程中睡眠状态的变化,检测特征事件与睡眠状态的联系。结果:1)造模与手术的检测CCI组脊髓背角免疫荧光强度与Sham组相比,有显着性差异,提示造模成功。尼氏染色结果显示电极丝位置在海马CA1区和前扣带回脑区。2)机械痛阈和热痛阈的变化CCI组的小鼠在术后14d至56d的机械痛阈持续下降,热通阈在术后3d至56天的各时间点均比术前要低,与Sham组有统计学差异。3)脑电信号的分析CCI组ripple频段（100-200Hz）的PSD显着降低,量化以后ripple数量也显着降低,第21天时达到最低。PAC图显示海马的ripple与前扣带回的delta、前扣带回的delta与spindle频段呈现相关性。时域图显示时序关系为ripple-delta-spindle。CCI组术后第21d,ripple-delta-spindle数量显着降低。CCI组造模前后睡眠分期结果无显着差异,ripple及其耦联事件在慢波睡眠（SWS）阶段的发生率高达80%。结论:慢性疼痛发展过程中,海马ripple的发放频率降低、海马ripple与前扣带回delta-spindle之间的信号耦联减弱。结果提示,干预前扣带回及海马之间的神经振荡,可能会对慢性疼痛的感知有调控作用。
二、一种高分辨时频分析方法及在脑电信号处理中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种高分辨时频分析方法及在脑电信号处理中的应用（论文提纲范文）
（1）面向癫痫预警任务的脑电信号分析算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 癫痫脑电信号 |
| 1.1.3 研究意义 |
| 1.2 癫痫脑电信号检测方法的研究现状与发展趋势 |
| 1.2.1 癫痫预警的国内外研究现状 |
| 1.2.2 存在的主要问题 |
| 1.3 本文研究内容和章节结构安排 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文的章节结构安排 |
| 第2章 癫痫脑电信号分析检测框架及数据来源 |
| 2.1 癫痫脑电信号分类算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 分类识别 |
| 2.2 癫痫脑电数据集 |
| 2.2.1 德国波恩大学癫痫脑电数据集 |
| 2.2.2 美国波士顿儿童医院癫痫脑电数据库 |
| 2.2.3 Kaggle癫痫预测竞赛数据集 |
| 2.3 算法性能的评价指标 |
| 2.3.1 癫痫检测算法的评价指标 |
| 2.3.2 癫痫预测算法的评价指标 |
| 2.4 本章小结 |
| 第3章 基于散射变换的癫痫脑电信号检测算法研究 |
| 3.1 引言 |
| 3.2 散射变换理论基础 |
| 3.2.1 小波变换 |
| 3.2.2 散射变换 |
| 3.3 基于散射变换的癫痫脑电信号检测算法 |
| 3.3.1 基于模糊熵和对数能量熵的脑电信号特征提取 |
| 3.3.2 极限学习机 |
| 3.4 实验结果与分析 |
| 3.4.1 实验结果 |
| 3.4.2 文献对比与分析讨论 |
| 3.5 本章小结 |
| 第4章 基于辛几何的癫痫脑电信号检测算法研究 |
| 4.1 引言 |
| 4.2 辛几何基础 |
| 4.2.1 奇异谱分析 |
| 4.2.2 辛几何的分解与重构 |
| 4.3 基于辛几何的癫痫脑电信号检测算法 |
| 4.3.1 基于辛几何算法的癫痫脑电信号特征提取 |
| 4.3.2 K近邻分类算法 |
| 4.4 实验结果与分析 |
| 4.4.1 波恩大学数据集实验结果 |
| 4.4.2 波士顿儿童医院数据库实验结果 |
| 4.4.3 文献对比与分析讨论 |
| 4.5 本章小结 |
| 第5章 基于同步提取线性调频小波变换的癫痫脑电信号预警算法研究 |
| 5.1 引言 |
| 5.2 同步提取线性调频变换 |
| 5.2.1 短时傅里叶变换 |
| 5.2.2 同步提取变换 |
| 5.2.3 同步提取线性调频小波变换 |
| 5.3 基于同步提取线性调频变换的癫痫脑电信号预警算法 |
| 5.3.1 基于同步提取线性调频小波变换的脑电信号特征提取 |
| 5.3.2 支持向量机 |
| 5.4 实验结果与分析 |
| 5.4.1 同步提取线性调频小波变换的性能仿真实验 |
| 5.4.2 波士顿儿童医院数据库实验结果 |
| 5.4.3 Kaggle癫痫预测竞赛数据集实验结果 |
| 5.4.4 文献对比与分析讨论 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（2）基于FPGA的运动想象脑电信号的分类识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 BCI研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 运动想象BCI国内外研究现状 |
| 1.2.2 运动想象脑电分类识别国内外研究现状 |
| 1.2.3 目前国内外存在问题 |
| 1.3 本文的研究内容和章节安排 |
| 2 脑-机接口与运动想象脑电信号 |
| 2.1 脑机接口概述 |
| 2.1.1 脑机接口系统 |
| 2.1.2 脑-机接口评判标准 |
| 2.2 脑电信号的生理特点及分类 |
| 2.2.1 脑电信号的生理特点 |
| 2.2.2 脑电信号的分类 |
| 2.2.3 脑电信号的采集与提取 |
| 2.3 事件相关去同步/同步 |
| 2.3.1 事件相关去同步/同步的含义 |
| 2.3.2 ERD和ERS的频率特性 |
| 2.4 本章小结 |
| 3 特征提取及分类识别算法研究 |
| 3.1 常用特征提取及分类方法介绍 |
| 3.1.1 特征提取方法简介 |
| 3.1.2 模式分类方法简介 |
| 3.2 小波变换 |
| 3.2.1 连续小波变换 |
| 3.2.2 小波变换时频分析 |
| 3.3 离散小波变换 |
| 3.3.1 多分辨率分析 |
| 3.3.2 Malat算法 |
| 3.4 主成分分析 |
| 3.4.1 主成分分析的基本原理 |
| 3.4.2 主成分分析的计算步骤 |
| 3.5 支持向量机 |
| 3.6 本章小结 |
| 4 运动想象脑电识别分类算法的设计 |
| 4.1 数据预处理 |
| 4.1.1 数据来源及说明 |
| 4.1.2 脑电信号小波去噪 |
| 4.2 基于小波变换的脑电信号特征提取 |
| 4.3 基于PCA+SVM的脑电分类 |
| 4.4 本章小结 |
| 5 脑电识别分类的FPGA设计 |
| 5.1 小波变换Mallat算法的FPGA设计 |
| 5.2 PCA+SVM的FPGA设计 |
| 5.2.1 ROM的LPM建模 |
| 5.2.2 PCA+SVM算法的FPGA设计 |
| 5.3 整个系统的FPGA设计 |
| 5.3.1 时序控制模块 |
| 5.3.2 输出有效位控制模块 |
| 5.3.3 输出选择模块 |
| 5.3.4 系统整体设计 |
| 5.4 仿真与设计 |
| 5.4.1 测试模块设计 |
| 5.4.2 仿真结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 读研期间主要科研成果 |
（3）基于S变换和双向LSTM网络的癫痫自动检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 概述 |
| 1.1.2 脑电信号 |
| 1.1.3 癫痫脑电 |
| 1.2 癫痫自动检测的研究现状 |
| 1.2.1 癫痫自动检测研究方法 |
| 1.2.2 目前存在的问题 |
| 1.3 本文内容与结构安排 |
| 第2章 S变换与特征提取 |
| 2.1 脑电时频分析方法 |
| 2.1.1 概述 |
| 2.1.2 短时傅里叶变换 |
| 2.1.3 小波变换 |
| 2.2 S变换 |
| 2.3 特征提取方法 |
| 2.4 本章小结 |
| 第3章 人工神经网络与双向LSTM |
| 3.1 人工神经网络 |
| 3.1.1 M-P模型 |
| 3.1.2 前馈神经网络 |
| 3.1.3 深度信念网络 |
| 3.1.4 卷积神经网络 |
| 3.1.5 循环神经网络 |
| 3.2 双向LSTM网络 |
| 3.2.1 LSTM |
| 3.2.2 双向RNN和双向LSTM |
| 3.3 本章小结 |
| 第4章 本文实验方法与结果 |
| 4.1 实验数据 |
| 4.1.1 弗莱堡长程脑电数据 |
| 4.1.2 波士顿儿童医院长程癫痫数据 |
| 4.1.3 山东大学第二附属医院数据 |
| 4.2 本文实验流程 |
| 4.3 后处理 |
| 4.4 实验评价标准与结果 |
| 4.4.1 系统评估标准 |
| 4.4.2 弗莱堡长程数据库实验结果 |
| 4.4.3 CHB-MIT数据库实验结果 |
| 4.4.4 SH-SDU数据库实验结果 |
| 4.5 分析与讨论 |
| 4.6 本章小结 |
| 第5章 总结和展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间研究成果 |
| 学位论文评阅及答辩情况表 |
（4）基于盲源分离的脑电信号重构算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 脑电伪迹去除发展现状 |
| 1.3 盲源分离法的研究现状 |
| 1.3.1 正定与超正定盲源分离算法 |
| 1.3.2 欠定盲源分离算法的发展 |
| 1.4 盲源分离法在脑电领域的研究现状 |
| 1.5 本文研究的主要内容 |
| 第2章 欠定盲源分离基础理论 |
| 2.1 脑电信号混叠模型 |
| 2.1.1 欠定盲源分离模型 |
| 2.1.2 盲源分离算法的不确定性 |
| 2.2 稀疏分量分析 |
| 2.2.1 信号的稀疏性 |
| 2.2.2 两步法算法 |
| 2.3 脑电信号的仿真 |
| 2.4 脑电信号预处理 |
| 2.5 算法的评价指标 |
| 2.5.1 混叠矩阵估计性能评价指标 |
| 2.5.2 信号恢复估计性能评价指标 |
| 2.6 本章小结 |
| 第3章 脑电信号稀疏性处理 |
| 3.1 基本概念 |
| 3.1.1 信号的时频分辨率 |
| 3.1.2 时频局部化特性 |
| 3.1.3 renyi熵 |
| 3.2 传统时频分析方法 |
| 3.2.1 短时傅里叶变换 |
| 3.2.2 Wigner-Ville |
| 3.2.3 小波变换 |
| 3.3 自适应同步压缩短时傅里叶变换 |
| 3.3.1 同步压缩短时傅里叶变换 |
| 3.3.2 自适应同步压缩短时傅里叶变换 |
| 3.3.3 时变参数的确定 |
| 3.4 模拟分析 |
| 3.5 本章小结 |
| 第4章 基于聚类算法的混叠矩阵估计 |
| 4.1 信号稀疏性增强 |
| 4.1.1 时频域下的单源点检测 |
| 4.1.2 去除低能量点以及归一化处理 |
| 4.2 常见聚类算法 |
| 4.2.1 k均值聚类算法 |
| 4.2.2 势函数法 |
| 4.2.3 拉普拉斯势函数法 |
| 4.3 基于密度指标的k均值聚类算法 |
| 4.4 算法模拟 |
| 4.5 本章小结 |
| 第5章 源信号恢复算法 |
| 5.1 源信号分离的相关算法 |
| 5.1.1 基于最小化L1范数的分离算法 |
| 5.1.2 贝叶斯类信号恢复算法 |
| 5.1.3 统计稀疏分解算法 |
| 5.2 改进的最小化L1范数分离算法 |
| 5.3 算法模拟 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（5）基于深度置信网络脑电信号医学数据处理算法优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 脑电信号分析方法研究现状 |
| 1.2.2 脑电信号分类方法研究现状 |
| 1.3 深度学习发展概况 |
| 1.3.1 深度学习的萌芽阶段 |
| 1.3.2 深度学习的发展阶段 |
| 1.3.3 深度学习的爆发阶段 |
| 1.4 脑电信号分类研究发展趋势 |
| 1.5 论文的创新点及主要内容 |
| 1.5.1 论文的创新点 |
| 1.5.2 论文的主要内容 |
| 2 脑电信号的产生与获取 |
| 2.1 脑电信号的产生 |
| 2.1.1 大脑的结构和功能 |
| 2.1.2 脑电信号产生的机理 |
| 2.1.3 脑电信号分类 |
| 2.1.4 脑电信号的特点 |
| 2.2 脑电信号的获取 |
| 2.2.1 脑电信号入侵式采集 |
| 2.2.2 脑电信号非入侵式采集 |
| 2.3 P300事件相关电位 |
| 2.4 本章小结 |
| 3 脑电信号处理方法 |
| 3.1 脑电信号预处理 |
| 3.2 小波分析 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.2.3 多分辨率分析 |
| 3.3 小波包变换 |
| 3.4 本章小结 |
| 4 基于DBN脑电信号分类 |
| 4.1 概述 |
| 4.2 DBN模型的构建 |
| 4.2.1 DBN模型的构建——RBM |
| 4.2.2 RBM的训练算法 |
| 4.2.3 DBN模型的构建——整体 |
| 4.3 基于小波包分析DBN脑电信号分类实验 |
| 4.3.1 实验数据简介 |
| 4.3.2 实验数据预处理 |
| 4.3.3 基于小波包分析脑电信号特征提取 |
| 4.3.4 DBN模型及小波基的参数选择 |
| 4.3.5 多种特征提取方法对比研究 |
| 4.4 基于多通道DBN模型分类实验 |
| 4.4.1 多通道DBN模型设计 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于FEPCD算法脑电信号分类 |
| 5.1 PCD算法 |
| 5.2 FEPCD算法 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于集成学习的运动想象脑电信号分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作和组织结构 |
| 第2章 运动想象脑电信号的相关知识 |
| 2.1 脑电信号的产生机理与特点 |
| 2.2 运动想象脑电信号的基础知识 |
| 2.3 运动想象脑电信号的分析方法 |
| 2.3.1 脑电信号的采集 |
| 2.3.2 脑电信号的处理方法 |
| 2.4 本章小结 |
| 第3章 基于多域特征与随机子空间集成的脑电分类 |
| 3.1 运动想象脑电信号的预处理 |
| 3.2 多算法互补提取多域混合特征 |
| 3.2.1 基于AR模型系数的时域特征提取 |
| 3.2.2 基于PSD的频域特征提取 |
| 3.2.3 基于CSP的空间域特征提取 |
| 3.2.4 基于LWT的时频特征提取 |
| 3.2.5 多域特征融合 |
| 3.3 基于随机子空间的脑电分类 |
| 3.3.1 随机子空间算法 |
| 3.3.2 基于判别分析的基分类器 |
| 3.4 实验结果及分析 |
| 3.4.1 实验数据 |
| 3.4.2 评价指标 |
| 3.4.3 实验结果 |
| 3.5 本章小结 |
| 第4章 基于XGBoost的 Stacking集成分类模型研究 |
| 4.1 实验数据的分析与处理 |
| 4.1.1 数据预处理 |
| 4.1.2 基于CSP的特征提取 |
| 4.1.3 基于DWT的特征提取 |
| 4.2 基于Stacking集成的脑电分类识别 |
| 4.3 基于XGBoost的 Stacking集成运动想象分类模型 |
| 4.3.1 基于XGBoost的分类模型 |
| 4.3.2 基于随机森林的分类模型 |
| 4.3.3 基于逻辑回归的分类模型 |
| 4.4 实验结果及分析 |
| 4.4.1 评价指标 |
| 4.4.2 结果分析 |
| 4.5 本章小结 |
| 第5章 结束语 |
| 5.1 本文工作总结 |
| 5.2 后续研究工作 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）基于脑电分类任务的数据扩增与时空消歧（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文内容 |
| 1.4 本文结构 |
| 第2章 基于脑电情感分类任务的数据扩增 |
| 2.1 相关研究工作 |
| 2.2 基于深度学习脑电情感分类任务的数据扩增方法 |
| 2.2.1 数据预处理 |
| 2.2.2 特征提取 |
| 2.2.3 数据扩增 |
| 2.3 实验结果分析 |
| 2.3.1 实验设置 |
| 2.3.2 SEED数据库上的实验结果 |
| 2.3.3 MAHNOB-HCI数据库上的实验结果 |
| 2.4 本章小结 |
| 第三章 基于脑电视觉分类任务的时空消歧 |
| 3.1 相关研究工作 |
| 3.2 基于深度学习脑电视觉分类任务的时空消歧方法 |
| 3.2.1 基于大脑的偏侧性进行降维 |
| 3.2.2 基于Fisher Score的空间有效表达通道子集选择 |
| 3.2.3 时间规整 |
| 3.3 实验结果分析 |
| 3.3.1 实验设置 |
| 3.3.2 个体内部与多个体上的脑电视觉分类实验结果 |
| 3.3.3 时空消歧方法中三个关键步骤的实验结果 |
| 3.3.4 完整的时空消歧方法的实验结果 |
| 3.4 本章小结 |
| 第4章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（8）基于EMD技术的肺音信号处理关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 EMD算法研究概况 |
| 1.2.1 EMD主要问题研究现状 |
| 1.2.2 EMD应用概况 |
| 1.3 肺音信号研究概况 |
| 1.3.1 肺音的基本概念和分类 |
| 1.3.2 肺音信号研究概况 |
| 1.4 本文主要研究内容和创新点 |
| 1.5 论文组织结构 |
| 第2章 EMD基本原理及问题 |
| 2.1 引言 |
| 2.2 经验模态分解算法原理 |
| 2.2.1 瞬时频率 |
| 2.2.2 本征模态函数 |
| 2.2.3 经验模态分解方法 |
| 2.2.4 EMD方法的主要特点 |
| 2.3 EMD算法的主要问题 |
| 2.3.1 理论支撑问题 |
| 2.3.2 筛分停止准则问题 |
| 2.3.3 端点效应问题 |
| 2.3.4 包络线问题 |
| 2.3.5 模态混叠问题 |
| 2.4 本章小结 |
| 第3章 EMD包络线优化算法研究 |
| 3.1 相关插值算法 |
| 3.1.1 三次样条插值 |
| 3.1.2 Hermite插值 |
| 3.1.3 有理四次Hermite插值 |
| 3.2 最优有理四次HERMITE包络线插值算法 |
| 3.2.1 算法思想及实现步骤 |
| 3.2.2 参数计算 |
| 3.3 实验及分析 |
| 3.3.1 仿真信号测试 |
| 3.3.2 非平稳信号测试 |
| 3.4 本章小结 |
| 第4章 EMD端点效应抑制算法研究 |
| 4.1 端点效应问题及其解决途径 |
| 4.1.1 端点效应问题 |
| 4.1.2 抑制端点效应的两种思路 |
| 4.2 几种典型的抑制端点效应问题的方法 |
| 4.2.1 镜像延拓法 |
| 4.2.2 波形匹配法 |
| 4.2.3 多项式拟合法 |
| 4.2.4 人工神经网络预测法 |
| 4.2.5 几种典型抑制端点效应方法仿真及比较 |
| 4.3 基于最相似子波和多项式拟合的抑制端点效应的方法 |
| 4.4 实验及分析 |
| 4.4.1 仿真信号测试 |
| 4.4.2 非平稳信号实验 |
| 4.5 本章小结 |
| 第5章 EMD算法在肺音去噪中的应用研究 |
| 5.1 肺音信号去噪 |
| 5.1.1 肺音信号中的噪声 |
| 5.1.2 肺音信号去噪研究现状 |
| 5.2 盲源分离技术 |
| 5.2.1 盲源分离技术概述 |
| 5.2.2 盲源分离数学模型 |
| 5.2.3 典型的盲源分离算法 |
| 5.2.4 单通道盲源分离技术 |
| 5.3 基于EMD和盲源分离的肺音去噪算法 |
| 5.3.1 ESBSS去噪法的基本原理 |
| 5.3.2 软阈值去噪函数 |
| 5.3.3 ESBSS去噪法的实现步骤 |
| 5.4 实验及分析 |
| 5.4.1 数据采集及实验环境 |
| 5.4.2 去噪实验分析 |
| 5.4.3 识别实验分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文和取得的科研成果 |
（9）面向智能辅助驾驶的运动想象脑机接口研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 脑机接口介绍 |
| 1.2.1 脑机接口定义与组成 |
| 1.2.2 脑机接口分类 |
| 1.3 国内外研究现状及存在的问题 |
| 1.4 本文的主要研究内容 |
| 第2章 运动想象脑电信号研究方法 |
| 2.1 引言 |
| 2.2 运动想象脑电信号概述 |
| 2.2.1 运动想象脑电信号产生机制 |
| 2.2.2 运动想象脑电信号采集方式 |
| 2.3 运动想象脑电信号预处理 |
| 2.3.1 空间滤波 |
| 2.3.2 时域滤波 |
| 2.4 运动想象脑电信号分析与处理方法 |
| 2.4.1 特征提取方法 |
| 2.4.2 特征分类方法 |
| 2.5 本章小结 |
| 第3章 基于变分模态分解的单通道框架运动想象研究方法 |
| 3.1 引言 |
| 3.2 变分模态分解 |
| 3.3 基于变分模态分解的高维时-频特征提取 |
| 3.3.1 希尔伯特变换 |
| 3.3.2 高维时-频特征提取 |
| 3.4 基于深度信念网络的特征分类 |
| 3.5 本章小结 |
| 第4章 基于多变量经验模态分解的多通道框架运动想象研究方法 |
| 4.1 引言 |
| 4.2 多变量经验模态分解 |
| 4.3 基于多变量经验模态分解的特征提取 |
| 4.3.1 单通道时-频特征提取 |
| 4.3.2 多通道耦合特征提取 |
| 4.4 基于加权线性判别分析分类器的特征分类 |
| 4.5 本章小结 |
| 第5章 实验结果分析 |
| 5.1 引言 |
| 5.2 离线数据分析 |
| 5.2.1 基于变分模态分解的单通道框架离线数据分析 |
| 5.2.2 基于多变量经验模态分解的多通道框架离线数据分析 |
| 5.2.3 所提方法与现有研究的比较 |
| 5.3 模拟智能辅助驾驶平台 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（10）神经病理性疼痛对前扣带回-海马环路神经振荡的调节作用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要缩略词 |
| 绪论 |
| 第一章 文献综述 |
| 1.1 神经病理性疼痛的研究进展 |
| 1.1.1 神经病理性疼痛的造模方式 |
| 1.1.2 前扣带回与慢性疼痛 |
| 1.1.3 海马与慢性疼痛 |
| 1.1.4 海马和前扣带回协同作用参与慢性疼痛 |
| 1.2 脑电信号的研究概述 |
| 1.2.1 脑电信号的定义 |
| 1.2.2 脑电信号基本特征 |
| 1.2.3 脑电信号的特点 |
| 1.2.4 脑电信号中的几种波形 |
| 1.2.5 跨频耦联 |
| 1.2.6 睡眠分期 |
| 1.3 脑电信号分析的研究进展 |
| 1.3.1 单通道脑电信号研究 |
| 1.3.2 双通道脑电信号研究 |
| 1.3.3 多通道脑电信号研究 |
| 1.4 慢性疼痛脑电研究现状 |
| 1.5 本文研究的主要内容 |
| 1.6 论文的内容结构安排 |
| 第二章 材料与方法 |
| 2.1 实验动物、试剂和实验仪器 |
| 2.1.1 实验动物 |
| 2.1.2 实验试剂 |
| 2.1.3 实验仪器 |
| 2.2 实验方法 |
| 2.2.1 电极设计与制作 |
| 2.2.2 电极埋植手术 |
| 2.2.3 脑电信号和视频信号的采集 |
| 2.2.4 组织学检测电极位置 |
| 2.2.5 神经病理性疼痛模型的建立 |
| 2.2.6 行为学测试 |
| 2.2.7 免疫组织化学染色 |
| 2.2.8 显微镜设置和图像分析 |
| 2.2.9 脑电数据分析方法 |
| 2.2.10 统计与分析 |
| 第三章 实验结果 |
| 3.1 神经病理性疼痛小鼠机械痛与热敏痛检测结果 |
| 3.2 单通道频谱能量密度(PSD)分析 |
| 3.2.1 海马脑区的频谱能量密度分析 |
| 3.2.2 前扣带回脑区的频谱能量密度分析 |
| 3.3 睡眠结构分析结果 |
| 3.4 双通道跨频耦联分析 |
| 3.4.1 海马与前扣带回脑区的幅度-幅度耦联分析 |
| 3.4.2 海马与前扣带回脑区的相位-幅度耦联分析 |
| 3.4.3 慢波睡眠阶段事件发生率的统计 |
| 3.5 跨频耦联信号的量化分析 |
| 3.6 讨论 |
| 3.6.1 慢性疼痛引起海马ripple发放频率降低的讨论 |
| 3.6.2 慢性疼痛引起海马与前扣带回信号耦联减弱的讨论 |
| 3.6.3 神经病理性疼痛模型的建立和评估 |
| 3.6.4 脑电信号的有效分析 |
| 3.7 结论 |
| 3.8 展望 |
| 参考文献 |
| 附录 |
| 附录A 论文中重要代码 |
| Code1 |
| Code2 |
| 附录B 收集的脑电信号处理工具 |
| 致谢 |
| 作者简介 |
四、一种高分辨时频分析方法及在脑电信号处理中的应用（论文参考文献）
- [1]面向癫痫预警任务的脑电信号分析算法研究[D]. 蒋鋆. 吉林大学, 2021(01)
- [2]基于FPGA的运动想象脑电信号的分类识别研究[D]. 王亮. 安徽理工大学, 2020(04)
- [3]基于S变换和双向LSTM网络的癫痫自动检测研究[D]. 耿敏行. 山东大学, 2020(10)
- [4]基于盲源分离的脑电信号重构算法研究[D]. 乔莹. 哈尔滨工业大学, 2020(02)
- [5]基于深度置信网络脑电信号医学数据处理算法优化研究[D]. 秦孟鑫. 北京交通大学, 2020(03)
- [6]基于集成学习的运动想象脑电信号分类研究[D]. 龙灿. 重庆邮电大学, 2020(02)
- [7]基于脑电分类任务的数据扩增与时空消歧[D]. 王芳. 深圳大学, 2019(09)
- [8]基于EMD技术的肺音信号处理关键技术研究[D]. 刘毅. 江苏大学, 2019(03)
- [9]面向智能辅助驾驶的运动想象脑机接口研究[D]. 杜硕. 燕山大学, 2019(03)
- [10]神经病理性疼痛对前扣带回-海马环路神经振荡的调节作用研究[D]. 魏艳. 东南大学, 2019(06)