导读:本文包含了脑电特征提取论文开题报告文献综述及选题提纲参考文献，主要关键词:房颤,阵发性房颤,心电图,特征提取
脑电特征提取论文文献综述
王迪[1]（2019）在《基于小波相干分析的房颤心电特征提取方法》一文中研究指出阵发性房颤是一种较为常见的心律失常疾病,容易诱发心力衰竭、缺血性中风等并发症,严重影响患者的预后及生活质量,因此对其进行准确、高效的检测极为必要。传统的阵发性房颤的检测主要由诊疗医生通过视觉检查心电图,同时海量的心电片段使得该方法面临耗时、漏诊率高等问题。因此,着重展开对阵发性房颤的检测研究具有重要的临床及社会意义。这一工作的核心环节是如何充分挖掘阵发性房颤心电信号所携带的时域、频域信息,进而设计有效的心电信号特征提取方法。本文主要聚焦于特征提取方法的研究,基于小波相干分析提出一种新的房颤心电特征提取方法,并进一步将提取的房颤心电特征输入超限学习机进而实现阵发性房颤的自动检测。具体结构如下:第一章系统叙述了本论文的研究背景、研究现状和本文主要的研究内容;第二章首先介绍心电图的一些基本知识,其次系统的陈述房颤发作的机理以及分类,最后从RR间期不规则和P波缺失两个方面展示了房颤心电在心电图中的表现特点;第叁章以连续小波变换、小波相干分析为理论基础,提出一种基于小波相干分析的房颤心电特征提取方法,且对该算法进行总结;第四章将本文提出的基于小波相干分析的房颤心电特征应用于MIT-BIH房颤数据集中,并通过数值实验验证本文提出的特征提取方法在房颤检测中的具体性能。(本文来源于《西北大学》期刊2019-06-01）
黄艺格[2]（2019）在《基于小波理论的心电特征提取算法研究》一文中研究指出生物医学中所用到的心电图(Electrocardiogram,ECG)中包含心跳速率(Heart Rate,HR)、波形趋势以及波群周期等重要特征,这些潜在信息能够辅助医生在治疗过程中适当调整手术方案。在ECG中有一类特殊的信号:胎儿心电(Fetal Electrocardiogram,FECG),由于其中存在孕妇心电信号(Maternal Electrocardiogram,MECG)和噪声的干扰,提取清晰的FECG成为一个难点,相应的特征提取比如R波定位和胎儿心率(Fetal Heart Rate,FHR)计算也增加了难度。本文提出一种从孕妇腹腔心电图中提取FECG的神经网络改进算法,并利用小波分析的特征提取改进算法对FECG进行R波检测和FHR计算,主要的研究内容如下所述:1、针对FECG中所含噪声的特殊性和差异性,本文进行了去噪预处理,对工频噪声、基线漂移和肌电噪声叁种不同的杂声采用了不同的抑制方法,使用梳状滤波器抑制工频噪声、中值滤波器抑制基线漂移、低通滤波器去除肌电噪声,实验证明将不同的干扰信号分开处理可以得到更好的去噪效果。2、针对传统神经网络算法采用的梯度下降法导致的计算时间长、容易落入局部极小值等缺点,本文提出将列文伯格(Levenberg-Marquard,LM)算法结合后向传播神经网络(Back Propagation Neural Networks,BPNN)从MECG中提取FECG的算法。将LM-BPNN应用于模拟数据和临床数据中,均方误差(Mean Square Error,MSE)和信噪比(Signal Noise Ratio,SNR)等指标明显优于其余改进BPNN算法,在可视性效果、精度和速度方面也有相当大的优势。3、提出了基于小波理论的R波检测改进算法。由于提取到的FECG中R波定位不准确而导致FHR的计算与实际有差异,本文在小波变换(Wavelet Transform,WT)模极大值的基础上应用自适应阈值R波检测算法,并将其应用在模拟数据和临床数据中,结果证明该方法对模拟信号的R波定位准确率在99%以上,瞬时心率误差在0.37%左右,表现出了良好的检测特性。本文提出的FECG的特征提取算法不管在模拟信号还是临床信号中都具有很好的应用性,为神经网络在医学信号处理中做了进一步研究,为FECG其余波的特征提取打下了良好的基础。(本文来源于《电子科技大学》期刊2019-04-01）
赵杰,丁萌,佟祯,韩俊霞,李小俚[3]（2019）在《基于熵算法的孤独症谱系障碍儿童脑电特征提取与分类》一文中研究指出孤独症谱系障碍(ASD)儿童的早期诊断至关重要。脑电图(EEG)是最常用于神经成像的技术之一,其使用方便并且包含信息丰富。本文从ASD儿童和正常儿童的EEG信号中提取近似熵(ApEn)、样本熵(SaEn)、排序熵(PeEn)和小波熵(WaEn)四种熵特征,应用独立样本t检验分析组间差异,利用支持向量机(SVM)学习算法为不同脑区的每种熵测量建立分类模型,最后通过置换检验搜索优化子集,使SVM模型实现最佳性能。结果表明,与正常对照组相比,ASD儿童脑电复杂度较低;在所有四种熵中,WaEn的分类性能优于其他熵;分类效果在不同脑区表现出差异性,其中额叶区域表现最佳;最后经过特征选择,筛选出六个特征,建立分类模型,分类准确率最高提高到84.55%。本研究结果可为孤独症的早期发现提供帮助。(本文来源于《生物医学工程学杂志》期刊2019年02期）
刘家卓,谢云,陈学强,邬洋[4]（2018）在《基于HHT的视觉疲劳脑电特征提取》一文中研究指出为准确提取到脑电信号中的疲劳特征,以此作为预警器提醒程序员休息,本文设计了一个基于稳态视觉诱发电位(SSVEP)的脑电实验,采用希尔伯特黄算法提取被试者脑电信号中EEG参数θ、α、β、β/α、(α+θ)/β在正常状态和疲劳状态下的希尔伯特边际谱能量值,分析两种状态下的希尔伯特边际谱能量的变化趋势。单因素方差分析结果表明:在疲劳状态下α、(α+θ)/β的边际谱能量显著上升,β、β/α波边际谱能量显著下降。通过支持向量机分类,β/α的最大分类准确率达到了94.4%,β节律的最大分类准确率达到了93.3%。α、(α+θ)/β也表现出良好的可分性。从希尔伯特黄算法中提取的4个EEG参数[α、β、β/α、(α+θ)/β]的边际谱能量特征均可以作为评价视觉疲劳特性的指标。(本文来源于《中国医学物理学杂志》期刊2018年12期）
陈启超,张学军,黄婉露[5]（2019）在《EMD融合PSD、CSP的脑电特征提取方法》一文中研究指出为了提高运动想象分类精确度,提出一种基于经验模式分解(EMD),并结合功率谱密度(PSD)和公共空间模式(CSP)的特征提取算法。首先将采集的脑电信号进行预处理,再对信号使用EMD算法得到多个固有模态函数(IMFs)。通过计算每次实验原始脑电信号与各阶IMF分量之间的相关系数,并计算所有实验得出的相关系数的绝对值的平均数,选择具有较大相关系数绝对值平均数的固有模态函数,计算其功率谱密度作为特征,经共空间模式投影映射再提取相应的特征向量,并用支持向量机(SVM)进行分类。对9名受试者的运动想象进行分类结果分析,得到的平均分类正确率在96%以上。最后将该方法与其他方法做比较,证明了该算法的可行性。(本文来源于《计算机技术与发展》期刊2019年05期）
丰彬[6]（2018）在《基于多特征提取的癫痫脑电自动分类检测研究》一文中研究指出癫痫是一种典型的脑功能短暂性失调神经性疾病,在癫痫发病时脑电信号会产生大量的棘慢特征波。临床上主要通过对患者脑电图进行可视化分析来诊断癫痫疾病,但这种方法费时长、效率低、主观性大,易造成误诊,所以研究癫痫脑电信号自动检测意义重大。本文提出了一种基于多特征提取的癫痫脑电信号自动分类检测方法,主要通过特征提取算法提取脑电五个基本节律的信号特征,结合分类器算法实现癫痫脑电自动分类检测。在前人工作基础上,本文主要完成了以下工作:1、对脑电信号特征提取及自动分类算法的国内外研究现状和未来发展趋势进行了分析,对癫痫脑电信号特征进行了简要介绍。2、针对小波包子带频率混迭现象引入两个修正算子,消除附属于小波包子带的其他频率成分。实验结果表明引入的算子能较好地消除重构信号的频率混迭,从而能准确地提取脑电的五个基本节律。3、提出了一种基于癫痫脑电各节律波的快慢波能量比和样本熵值脑电特征提取算法。提取癫痫脑电的9个快慢波能量比和5个节律波样本熵作为特征量用于分类。经方差性分析检验得到本文提取的14个特征量在癫痫脑电叁种状态之间的p值均小于0.0001,存在显着性差异,能够有效反映癫痫脑电临床病理信息。4、采用“一对一”投票法对SVM分类器进行多分类应用改进,结合网格寻优和交叉验证方法选取SVM分类器的最佳惩戒因子C和核半径σ,并通过Fisher_iris数据集验证改进算法的可行性。实验结果表明,该改进方法在C和σ分别取2和0.7时取得了 100%的分类准确率,成功实现了多分类预测。5、将本文提出的特征提取算法和分类器算法用于解决4类9种常见的癫痫脑电信号分类问题,并与概率神经网络算法和K近邻分类算法进行对比分析,获得了98.67%以上的平均分类准确率。结果表明本文提出的基于多特征提取的癫痫脑电自动分类检测方法对上述4类癫痫脑电信号的分类识别效果较好。(本文来源于《广西大学》期刊2018-12-01）
贾小云,郑茹,陈景霞[7]（2018）在《一种多特征提取的脑电情感识别方法》一文中研究指出针对如何有效地缩小不同受试者脑电信号之间的波动和差异,提高分类精度的问题,提出一种多特征提取算法用于脑电情感识别.首先,采用数据空间自适应算法对脑电信号数据进行空间线性变换,使目标空间与源空间之间的差异最小化.再采用共空间模式将数据空间自适应变换后的信号变换到一个最优子空间,使两类之间的方差差异最大,将共空间模式处理后的数据作为数据空间自适应算法的输入数据,反复迭代多次.然后提取功率谱能量特征和小波包能量特征,最后采用Bagging tree、SVM、线性判别分析和贝叶斯线性判别分析进行情感分类.实验结果表明,所提算法相比于主成分分析算法在分类精度上提高了0.151 4;相比于只进行DSA-CSP迭代和提取小波包能量,在分类精度上提高了0.103 4;相比于只进行DSA-CSP迭代和提取功率谱密度,在分类精度提高了0.095 8,所提算法有效缩小了不同受试者脑电信号的波动和差异,提高了分类精度.(本文来源于《陕西科技大学学报》期刊2018年05期）
王成龙,韦巍,李天永[8]（2018）在《基于IMF能量矩的脑电情绪特征提取研究》一文中研究指出为了提高脑电信号情绪识别分类的准确率,在小波变换的基础上,结合经验模态分解(EMD)和能量矩提出一种新的脑电特征提取方法。该研究利用小波变换提取左右前额叶(AF3,AF4)、左右额叶(F3,F4)和左右顶叶(FC5,FC6)通道的α波、θ波、β波和γ波节律;对提取的脑电节律进行EMD分解获得固有模态函数(IMF)分量,再进一步提取IMF分量的能量矩特征;最后使用支持向量机实现情感状态评估。实验结果表明,将IMF能量矩用于脑电信号情感识别是可行的。(本文来源于《现代电子技术》期刊2018年20期）
王娆芬,顾幸生,陈敏[9]（2018）在《基于小波变换的多任务下操作员眼电特征提取》一文中研究指出为了从高精神负荷下的操作员眼电(EOG)信号中提取出能够反映疲劳焦虑和努力程度变化的显着性特征,通过实验,采集了6位被试人员在多级任务负荷下的EOG信号,采用小波变换方法对EOG信号进行了10层小波分解;选取能量较高的频段,根据小波系数计算了各频段的相对能量(RE)特征,分析了眼电特征与操作员的心理负荷之间的关系。结果表明:提取的EOG特征中,0. 98~1. 95 Hz,3. 91~7. 81 Hz及7. 81~15. 63 Hz频段的RE与操作员的心理负荷有显着的关系,提取的特征可用于操作员疲劳、焦虑和努力等的评估。(本文来源于《传感器与微系统》期刊2018年09期）
李昕,蔡二娟,秦鹭云,康健楠[10]（2018）在《基于小波变换结合经验模态分解提取孤独症儿童脑电异常特征研究》一文中研究指出孤独症的早期发现与及时干预至关重要。本文结合小波变换和经验模态分解(EMD)提取脑电信号(EEG)特征,比较分析孤独症儿童和正常儿童脑电信号的特征差异。试验共采集了25例(20例男孩,5例女孩)5~10岁孤独症儿童和25例5~10岁正常儿童的脑电信号,基于小波变换提取C3、C4、F3、F4、F7、F8、FP1、FP2、O1、O2、P3、P4、T3、T4、T5和T6的alpha、beta、theta和delta频段的节律波,再进行EMD分解得到固有模态函数(IMF)特征,以支持向量机(SVM)实现孤独症和正常儿童脑电的分类评估。试验结果表明,小波变换和EMD结合的方法可以有效地识别孤独症儿童和正常儿童的脑电信号特征,分类正确率达到87%,相比文中小波结合样本熵方法提取脑电特征分类评估的准确率高出将近20%。所提取的四种节律波中,delta节律(1~4 Hz)波的分类正确率最高,特别是在前额F7通道、左前额FP1通道和颞区T6通道其分类准确率均超过90%,能够较好地表达孤独症儿童脑电信号的特点。(本文来源于《生物医学工程学杂志》期刊2018年04期）
脑电特征提取论文开题报告
（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：
生物医学中所用到的心电图(Electrocardiogram,ECG)中包含心跳速率(Heart Rate,HR)、波形趋势以及波群周期等重要特征,这些潜在信息能够辅助医生在治疗过程中适当调整手术方案。在ECG中有一类特殊的信号:胎儿心电(Fetal Electrocardiogram,FECG),由于其中存在孕妇心电信号(Maternal Electrocardiogram,MECG)和噪声的干扰,提取清晰的FECG成为一个难点,相应的特征提取比如R波定位和胎儿心率(Fetal Heart Rate,FHR)计算也增加了难度。本文提出一种从孕妇腹腔心电图中提取FECG的神经网络改进算法,并利用小波分析的特征提取改进算法对FECG进行R波检测和FHR计算,主要的研究内容如下所述:1、针对FECG中所含噪声的特殊性和差异性,本文进行了去噪预处理,对工频噪声、基线漂移和肌电噪声叁种不同的杂声采用了不同的抑制方法,使用梳状滤波器抑制工频噪声、中值滤波器抑制基线漂移、低通滤波器去除肌电噪声,实验证明将不同的干扰信号分开处理可以得到更好的去噪效果。2、针对传统神经网络算法采用的梯度下降法导致的计算时间长、容易落入局部极小值等缺点,本文提出将列文伯格(Levenberg-Marquard,LM)算法结合后向传播神经网络(Back Propagation Neural Networks,BPNN)从MECG中提取FECG的算法。将LM-BPNN应用于模拟数据和临床数据中,均方误差(Mean Square Error,MSE)和信噪比(Signal Noise Ratio,SNR)等指标明显优于其余改进BPNN算法,在可视性效果、精度和速度方面也有相当大的优势。3、提出了基于小波理论的R波检测改进算法。由于提取到的FECG中R波定位不准确而导致FHR的计算与实际有差异,本文在小波变换(Wavelet Transform,WT)模极大值的基础上应用自适应阈值R波检测算法,并将其应用在模拟数据和临床数据中,结果证明该方法对模拟信号的R波定位准确率在99%以上,瞬时心率误差在0.37%左右,表现出了良好的检测特性。本文提出的FECG的特征提取算法不管在模拟信号还是临床信号中都具有很好的应用性,为神经网络在医学信号处理中做了进一步研究,为FECG其余波的特征提取打下了良好的基础。
（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。
脑电特征提取论文参考文献
[1].王迪.基于小波相干分析的房颤心电特征提取方法[D].西北大学.2019
[2].黄艺格.基于小波理论的心电特征提取算法研究[D].电子科技大学.2019
[3].赵杰,丁萌,佟祯,韩俊霞,李小俚.基于熵算法的孤独症谱系障碍儿童脑电特征提取与分类[J].生物医学工程学杂志.2019
[4].刘家卓,谢云,陈学强,邬洋.基于HHT的视觉疲劳脑电特征提取[J].中国医学物理学杂志.2018
[5].陈启超,张学军,黄婉露.EMD融合PSD、CSP的脑电特征提取方法[J].计算机技术与发展.2019
[6].丰彬.基于多特征提取的癫痫脑电自动分类检测研究[D].广西大学.2018
[7].贾小云,郑茹,陈景霞.一种多特征提取的脑电情感识别方法[J].陕西科技大学学报.2018
[8].王成龙,韦巍,李天永.基于IMF能量矩的脑电情绪特征提取研究[J].现代电子技术.2018
[9].王娆芬,顾幸生,陈敏.基于小波变换的多任务下操作员眼电特征提取[J].传感器与微系统.2018
[10].李昕,蔡二娟,秦鹭云,康健楠.基于小波变换结合经验模态分解提取孤独症儿童脑电异常特征研究[J].生物医学工程学杂志.2018