导读:本文包含了脑电分类论文开题报告文献综述及选题提纲参考文献，主要关键词:脑电信号,经验模态分解,本征模态函数分量,样本熵
脑电分类论文文献综述
宋玉龙,赵冕,郑威[1]（2019）在《基于经验模态分解和极限学习机的癫痫脑电提取分类研究》一文中研究指出癫痫疾病发作时,脑电(electroencephalogram,EEG)信号中含有大量的癫痫特征信息,癫痫EEG信号的提取识别和分类研究,对癫痫的预防和治疗具有重大的意义。我们采用经验模态分解(empirical mode decomposition,EMD)算法对发作期、发作间期的EEG进行分解,计算分解后的主要本征模态函数(intrinsic mode function, IMF)分量的波动指数、均值和样本熵值,并组成一组特征向量输入到极限学习机(extreme learning machine,ELM)内进行识别分类。实验结果表明,在需要较少训练样本下,ELM识别分类的准确率达到97%以上。(本文来源于《生物医学工程研究》期刊2019年03期）
蒋贵虎,陈万忠,马迪,吴佳宝[2]（2019）在《基于ITD和PLV的四类运动想象脑电分类方法研究》一文中研究指出针对四类运动想象任务的特征提取问题,提出一种基于固有时间尺度分解(ITD)和相位同步分析相结合的脑电(EEG)信号特征提取方法。采用第3届和第4届BCI竞赛中的4类运动想象数据集,首先选择5个导联的运动想象脑电信号,根据相位同步性计算导联之间的相锁值(PLV),将相锁值作为一类特征;之后利用ITD对5个导联的运动想象脑电信号进行分解,提取第一层固有旋转分量的能量特征,与PLV特征相结合获得十五维特征向量;最后通过支持向量机(SVM)进行分类识别。对12名受试者的平均识别率达到91. 64%,平均Kappa系数达到0. 887,说明该方法能够有效的提取脑电信号特征,进而提高4类运动想象任务的分类准确率。(本文来源于《仪器仪表学报》期刊2019年05期）
葛荣祥,胡建中[3]（2019）在《基于深度学习框架的多类运动想象脑电分类研究》一文中研究指出模式识别是脑机接口(brain computer interface,BCI)系统的核心部分,其中特征提取和分类方法对最终分类结果有着决定性作用.针对多类运动想象脑电识别过程中特征提取困难,识别准确率低的问题,文中提出了一种新的基于深度学习框架的多类别运动想象脑电分类方法.首先,为了满足深度学习方法的大批量样本的需要,使用自编码器(auto-encoder,AE)对训练样本进行扩充;其次,针对脑电信号的特点,设计4个巴特沃斯带通滤波器提取脑电的θ、α、β和γ波段,并对每一波段的信号进行傅里叶变换,然后计算幅值的均值和方差;最后,通过深度信念网络(deep belief network,DBN)对脑电信号进行分类识别.文中使用BCIⅢ的竞赛数据集对所提出的方法进行验证,实验结果表明,文中方法能够有效地提高多类运动想象脑电的分类准确率,分类结果的平均kappa系数达到了0.802 4.(本文来源于《江苏科技大学学报(自然科学版)》期刊2019年04期）
陈娇[4]（2019）在《基于深度卷积网络的脑电运动想象分类方法》一文中研究指出脑机接口是一种不依赖外围神经和肌肉的前提下,通过一定的技术手段提取大脑思维活动信息,通过计算机技术解码,直接分析大脑的信号,识别人脑的系统。本文使用脑机接口竞赛的公开数据,提出了两种基于深度学习的卷积神经网络,对脑电信号进行分类。实验结果证明,这两种卷积神经网络都可以训练出较好的模型,并对训练数据集取得较好的分类准确率,相比于传统的反向传播神经网络,卷积神经网络可以提高6%的准确率。(本文来源于《中国医疗设备》期刊2019年08期）
Zhi-chuan,TANG,Chao,LI,Jian-feng,WU,Peng-cheng,LIU,Shi-wei,CHENG[5]（2019）在《面向脑机接口基于改进的共同空间模式方法的单次运动想象脑电分类（英文）》一文中研究指出单次运动想象脑电分类常用于脑机接口系统控制,是人-机之间的沟通桥梁。然而,脑电信号具有低信噪比和个性化差异,会对分类结果产生不利影响。本文提出一种改进的共同空间模式(B-CSP)方法,提取特征并消除负面影响。首先,针对不同被试,采用巴氏距离并基于事件相关去同步(ERD)和事件相关同步(ERS)模式选择每个电极通道的最优频率段;其次,采用B-CSP方法提取最优频率段脑电信号特征,获得可以最大程度区分两类运动想象的特征。采用所提方法对公共数据集和实验数据集提取特征,并结合反向传播神经网络进行单次运动想象脑电分类。将B-CSP方法与两种传统脑电特征提取方法——原始共同空间模式(CSP)和自回归(AR)——比较。采用B-CSP方法在公共数据集的表现(左手/双脚:91.25%±1.77%;左手/右手:84.50%±5.42%)和实验数据集的表现(左手/双脚:90.43%±4.26%)均优于两种传统方法。实验结果表明,本文所提方法能够有效分类运动想象脑电,并能对脑机接口系统开发提供实践和理论基础。(本文来源于《Frontiers of Information Technology & Electronic Engineering》期刊2019年08期）
陈泽龙,谢康宁[6]（2019）在《脑电EEG信号的分析分类方法》一文中研究指出随着脑电图技术和脑科学研究的不断深入,脑电信号的分析方法得到飞速的发展。脑电信号的分析分类处理主要包含叁个阶段:脑电信号预处理、特征提取和分类识别。每个阶段都有各种不同的处理方法,本文对每个阶段的分析处理方法进行综述。(本文来源于《中国医学装备大会暨2019医学装备展览会论文汇编》期刊2019-07-18）
王海玉,王映龙,闵建亮,胡剑锋[7]（2019）在《集成3种不同核分类器的疲劳脑电分类》一文中研究指出为对疲劳脑电进行准确识别,预防疲劳驾驶带来的危害,对32导脑电信号进行预处理,对比小波变换和经验模态分析(empirical mode decomposition,EMD)去掉异常值和高频噪声情况,在效果较好的EMD基础上进行样本熵、模糊熵的提取,形成特征集,选用最小二乘为基分类器,采用AdaBoost (adaptive boosting)方法通过迭代增加错分样本权重,投票形成基于最小二乘支持向量机3个不同核的弱分类器集成的强分类器,实现驾驶疲劳的识别,平均准确率达95%。通过实验验证了该方法的灵活性及鲁棒性,在一定程度上推动了驾驶疲劳的研究。(本文来源于《计算机工程与设计》期刊2019年06期）
肖文卿,汪鸿浩,詹长安[8]（2019）在《基于小波系数特征融合的小鼠癫痫脑电分类》一文中研究指出采集癫痫小鼠模型在常态与致癫状态下的脑电信号以研究其癫痫脑电的自动分类。对经过噪声和伪迹消除预处理的脑电信号进行小波变换,获得不同频率子带的小波系数,对脑电信号及与癫痫特征波相关的小波系数提取相应的线性特征(标准差)和非线性特征(样本熵);基于这些特征及其组合使用支持向量机分类器实现分类。实验发现基于小鼠脑电本身的标准差和样本熵的分类正确率分别为59.10%和58.00%;而融合各相关小波系数的标准差或样本熵,分类正确率分别达到86.60%和88.60%;融合全部相关小波系数的线性和非线性特征后分类正确率为99.80%。这些结果说明基于小波系数特征融合的分类算法性能有显着提升,能有效实现小鼠癫痫脑电的自动分类。(本文来源于《计算机工程与应用》期刊2019年14期）
孙成法,徐志萍[9]（2019）在《基于脑电特征纹理与SVM分类的癫痫发作检测研究》一文中研究指出癫痫发作诊断依靠人工检测既耗时效率又低并影响检测结果的准确性,自动检测系统可以有效地帮助医生加快检测与诊断。本文采用了一维均匀局部二值模式脑电特征纹理技术与支持向量机分类器对癫痫脑电信号进行自动检测识别。首先应用离散小波变换对原始脑电信号分解,然后在分解后的信号中提取一维均匀局部二值模式纹理特征。在提取的特征集中训练学习支持向量机分类器并进行检测识别。最后采用后处理多级融合技术对检测结果进行处理以提高准确率。该算法在公共脑电数据集上测试,在基于片段的评估上获取最高准确率为99.86%和平均敏感性为96.19%,并在基于事件的评估上获得平均敏感性95.31%,该方法可以对癫痫脑电信号有效分类识别。(本文来源于《电脑知识与技术》期刊2019年14期）
鞠思航[10]（2019）在《基于脑电和生理信号的多模态情感分类方法研究》一文中研究指出情感识别是人机交互领域的研究热点,较高的情感识别率是情感应用的关键。目前,已有的一些方案还存在着情感识别率过低的问题。由于生理信号不易受到人的主观影响,本文选择了脑电信号(EEG)与心电信号(ECG),用于情感识别。本文所做工作如下:(1)针对维度情感状态,提出了一种基于LIBSVM分类器的EEG单模态情感识别方法。对经过预处理之后的脑电信号,将提取到的特征值输入到LIBSVM分类器中分类,通过模糊积分对各个通道的分类结果进行融合,完成情感分类。实验结果表明,在Arousal和Valance上进行2分类时,平均情感识别率分别为74.88%和82.63%。(2)在情感识别方法(1)的基础上,提出了一种基于DS证据理论的多模态融合的情感识别模型。针对ECG,建立相应的卷积神经网络(CNN)情感识别结构,与方法(1)使用DS证据理论相融合。实验结果表明,相对于方法(1)的单模态情感识别过程,在Arousal和Valance上平均情感识别率分别提升了4.25%和2.87%。(3)针对离散情感状态,提出了一种基于深度信念网络(DBN)的多模态融合方法,用来区分高兴、放松、愤怒和悲伤4种情感状态。对经过DBN融合后提取到的特征值,使用LIBSVM分类器进行分类。实验结果表明,最高的平均情感识别率为80.47%。(本文来源于《合肥工业大学》期刊2019-05-01）
脑电分类论文开题报告
（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：
针对四类运动想象任务的特征提取问题,提出一种基于固有时间尺度分解(ITD)和相位同步分析相结合的脑电(EEG)信号特征提取方法。采用第3届和第4届BCI竞赛中的4类运动想象数据集,首先选择5个导联的运动想象脑电信号,根据相位同步性计算导联之间的相锁值(PLV),将相锁值作为一类特征;之后利用ITD对5个导联的运动想象脑电信号进行分解,提取第一层固有旋转分量的能量特征,与PLV特征相结合获得十五维特征向量;最后通过支持向量机(SVM)进行分类识别。对12名受试者的平均识别率达到91. 64%,平均Kappa系数达到0. 887,说明该方法能够有效的提取脑电信号特征,进而提高4类运动想象任务的分类准确率。
（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。
脑电分类论文参考文献
[1].宋玉龙,赵冕,郑威.基于经验模态分解和极限学习机的癫痫脑电提取分类研究[J].生物医学工程研究.2019
[2].蒋贵虎,陈万忠,马迪,吴佳宝.基于ITD和PLV的四类运动想象脑电分类方法研究[J].仪器仪表学报.2019
[3].葛荣祥,胡建中.基于深度学习框架的多类运动想象脑电分类研究[J].江苏科技大学学报(自然科学版).2019
[4].陈娇.基于深度卷积网络的脑电运动想象分类方法[J].中国医疗设备.2019
[5].Zhi-chuan,TANG,Chao,LI,Jian-feng,WU,Peng-cheng,LIU,Shi-wei,CHENG.面向脑机接口基于改进的共同空间模式方法的单次运动想象脑电分类（英文）[J].FrontiersofInformationTechnology&ElectronicEngineering.2019
[6].陈泽龙,谢康宁.脑电EEG信号的分析分类方法[C].中国医学装备大会暨2019医学装备展览会论文汇编.2019
[7].王海玉,王映龙,闵建亮,胡剑锋.集成3种不同核分类器的疲劳脑电分类[J].计算机工程与设计.2019
[8].肖文卿,汪鸿浩,詹长安.基于小波系数特征融合的小鼠癫痫脑电分类[J].计算机工程与应用.2019
[9].孙成法,徐志萍.基于脑电特征纹理与SVM分类的癫痫发作检测研究[J].电脑知识与技术.2019
[10].鞠思航.基于脑电和生理信号的多模态情感分类方法研究[D].合肥工业大学.2019