导读:本文包含了脑电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:脑电信号,经验模态分解,本征模态函数分量,样本熵
脑电提取论文文献综述
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）
赵杰,丁萌,佟祯,韩俊霞,李小俚[2]（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[3]（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[4]（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[5]（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[6]（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[7]（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）
李昕,蔡二娟,秦鹭云,康健楠[8]（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）
张文亮,林彬,黄婉露,张学军[9]（2018）在《基于S变换和共空间模式的运动想象脑电特征提取》一文中研究指出针对共空间模式算法运用于运动想象脑电信号特征提取分类正确率低、计算实时性差等问题,提出运用S变换结合共空间模式算法对脑电信号进行特征提取方法。经过S变换后的信号具有更加明显的时、频、相特征,再运用共空间模式算法提取特定任务信号成分的特征,最后用支持向量机进行分类。实验结果表明:在S变换采样数较多的情况下,平均正确率达到92.8%,大大超过单纯使用共空间模式算法的正确率。如果降低S变换的采样率,系统实时性得到大幅提升,平均运行时间仅为0.85 s,平均分类正确率可达89.8%,比仅运用共空间模式算法的运行时间缩短30.9%。可见,不仅可提高运动想象脑电信号的分类正确率,还可以提高分类的实时性。(本文来源于《科学技术与工程》期刊2018年23期）
夏礼胜[10]（2018）在《大脑行为抑制中特质焦虑脑电ERP信号获取与特征提取研究》一文中研究指出焦虑是大脑的高级功能之一,过度或病态的焦虑会导致大脑执行功能受损,进而影响人们对复杂信息的理解和判断能力。目前临床医学和心理普查等领域主要依靠焦虑量表测试得分结合面谈咨询等主观认知行为手段来界定焦虑症状。为了客观地从神经电生理学角度获取特异性脑电ERP指标对焦虑人群和健康人群进行区分,本文研究了高、低特质焦虑人群在行为抑制叁种认知任务(反应抑制、延迟满足和逆向学习)状态下的脑电ERP信号获取与特征提取。基于叁种认知任务状态下利用BrainVision Recorder在线采集行为抑制过程中的脑电EEG信号。离线情况下在BrainVision Analyzer 2.1环境中利用事件相关电位技术从脑电EEG信号中获取脑电ERP信号,信号处理步骤依次为:(1)由左乳突电位变更为左、右乳突平均电位作为各通道脑电EEG信号的参考电位;(2)Extend Infomax ICA剔除眼电伪迹并重构脑电EEG信号;(3)梯度检验和峰峰值检验去除实验者动作幅度带来的伪迹信号;(4)巴特沃斯零相移IIR带通滤波去除随机噪声和50Hz工频干扰;(5)根据不同的实验条件对脑电信号进行分段;(6)基线校正去除低频段基线漂移噪声;(7)迭加平均获取单个实验者的脑电ERP信号;(8)分别对高、低特质焦虑组所有实验者脑电ERP信号进行组间总迭加平均,获取高、低特质焦虑组各自的总平均脑电ERP信号。提取出两组脑电ERP信号之后,第一步利用BrainVision Analyzer 2.1分别获取了叁种任务态下高、低特质焦虑组各自诱发的脑电ERP信号在特定时窗内的平均电压峰值或平均电压波幅等信号参数样本;第二步,利用SPSS20.0分别对这些信号参数样本进行多因素重复度量方差分析、简单效应分析、独立样本t检验和单样本t检验,进而识别出具有统计学差异的脑电ERP信号参数样本;第叁步,利用这些脑电ERP信号参数样本作为自变量,特质焦虑得分作为因变量进行回归分析,考察这些参数样本是否能作为有效预测特质焦虑水平变化的特征参数;第四步,利用SVM设计脑电ERP信号模式分类器。最后,汇总这些信号处理结果,本文有如下发现:(1)在特质焦虑影响反应抑制的任务中获取两个具有统计学差异的脑电ERP信号参数样本(Nogo-N2和Nogo-P3)。第一,相对于低特质焦虑人群(-2.70±0.31μV),高特质焦虑人群(-1.35±0.34μV)在Nogo任务中头皮前额区诱发出显着更低的Nogo-N2平均电压峰值(p=0.005);第二,相对于低特质焦虑人群(5.04±0.33μV),高特质焦虑人群(6.63±0.33μV)在Nogo任务中头皮中后部诱发出显着更高的Nogo-P3平均电压峰值(p=0.001);第叁,以Nogo-N2平均电压峰值(X_1)和Nogo-P3平均电压峰值(X_2)作为自变量,特质焦虑分数作为因变量(Y)的回归方程Ye~(3.495 0.0307X)1~(20.08183X)2能预测特质焦虑得分变异性的75.75%(R~20.7575),预测分数与实际分数之间的平均偏差为6.1392分。第四,选用基于径向基函数(C=100,g=0.1)的SVM对脑电ERP信号特征参数样本进行模式识别二分类(高特质焦虑者vs.低特质焦虑者)。每次从56个特征参数样本中随机选取46个信号特征参数样本组成训练集,剩余的10个特征参数样本组成验证集,重复做10次。反应抑制脑电ERP特征参数样本分类器10次平均的二分类正确率为82.00%,灵敏度为80.07%,特异度为84.14%。(2)在特质焦虑影响延迟满足的任务中获取叁个具有统计学差异的脑电ERP信号参数样本(N1、RewP和P3)。第一,相对于低特质焦虑人群(-1.30±0.33μV),高特质焦虑人群(-2.23±0.33μV)选择早期奖赏时在头皮双侧颞枕区所诱发的N1平均电压波幅更高(p=0.053;边缘显着);第二,相对于低特质焦虑人群(1.24±0.41μV),高特质焦虑人群(3.12±0.41μV)选择早期奖赏时在头皮前额区所诱发的RewP平均电压波幅显着更高(p=0.002);第叁,相对于低特质焦虑人群(3.43±0.27μV),高特质焦虑人群(2.26±0.27μV)选择晚期奖赏时在头皮中后部所诱发的P3平均电压波幅显着更低(p=0.003)。第四,以N1平均电压波幅(X_1)、RewP平均电压波幅(X_2)和P3平均电压波幅(X_3)作为自变量,特质焦虑分数作为因变量(Y)的回归方程Y43.591.949X_13.409X_23.813X_3能预测特质焦虑得分变异性的65.2%(R~20.652),预测分数与实际分数之间的平均偏差为7.808分。第五,选用基于径向基函数(C=100,g=0.01)的SVM对脑电ERP信号特征参数样本进行模式识别二分类(高特质焦虑者vs.低特质焦虑者)。每次从52个特征参数样本中随机选取42个信号特征参数样本组成训练集,剩余的10个特征参数样本组成验证集,重复做10次。延迟满足脑电ERP特征参数样本分类器10次平均的二分类正确率为82.00%,灵敏度为78.57%,特异度为85.67%。(3)在特质焦虑影响逆向学习的任务中获取两个具有统计学差异的脑电ERP信号参数样本(FRN和P3)。第一,相对于低特质焦虑人群(-4.01±0.19μV),高特质焦虑人群(-2.53±0.22μV)在“loss-gain”模式下头皮前额区所诱发的FRN差异波平均电压波幅显着更低(p<0.001);第二,相对于低特质焦虑人群(8.74±0.27μV),高特质焦虑人群(7.29±0.28μV)在“loss-switch”模式下头皮中后部所诱发的P3平均电压波幅显着更低(p=0.001)。第叁,以FRN差异波平均电压波幅(X_1)和“loss-switch”模式下的P3平均电压波幅(X_2)作为自变量,特质焦虑分数作为因变量(Y)的回归方程Y47.7245.97 X_12.497X_2能预测特质焦虑得分变异性的77.42%(R~20.7742),预测分数与实际分数之间的平均偏差为6.515分。第五,选用基于径向基函数(C=500,g=0.01)的SVM对脑电ERP信号特征参数样本进行模式识别二分类(高特质焦虑者vs.低特质焦虑者)。每次从70个特征参数样本中随机选取60个特征参数样本组成训练集,剩余的10个特征参数样本组成验证集,重复做10次。逆向学习脑电ERP特征参数样本分类器10次平均的二分类正确率为87.00%,灵敏度为82.31%,特异度为90.50%。综上所述,本文结合事件相关电位技术、重复度量方差分析、回归分析和模式识别等方法研究了高、低特质焦虑人群在大脑行为抑制中的认知信息加工机制,得到了客观的脑电ERP特征参数样本,给出了特质焦虑阻碍大脑行为抑制的研究结论。这些研究结果既印证了特质焦虑人群脑抑制信息处理机制存在着不同于常人之处,又对现有的大脑行为抑制理论起到了一定的补充和完善作用,其中还蕴涵着一定的拓展空间,有待作者在未来继续探索。(本文来源于《深圳大学》期刊2018-06-30）
脑电提取论文开题报告
（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：
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。
（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。
脑电提取论文参考文献
[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].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
[3].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
[4].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
[5].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
[6].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
[7].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
[8].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
[9].张文亮,林彬,黄婉露,张学军.基于S变换和共空间模式的运动想象脑电特征提取[J].科学技术与工程.2018
[10].夏礼胜.大脑行为抑制中特质焦虑脑电ERP信号获取与特征提取研究[D].深圳大学.2018