一、小波包分析在脑血流动力学研究中的应用（论文文献综述）
张开庆[1]（2021）在《超声刺激对不同状态小鼠的神经血管耦合调控研究》文中提出
徐卿[2]（2021）在《基于大脑认知的疲劳驾驶安全辅助系统研究》文中认为随着我国经济的快速发展,汽车已经成为人们生活中必不可少的工具。在汽车日益增多的同时,给道路交通也带来了一定的安全隐患。统计发现,驾驶员疲劳驾驶是造成交通事故的主要原因之一,因此,本文设计了一种基于大脑认知的疲劳驾驶安全辅助系统,具体的研究内容如下:（1）安全辅助系统硬件的设计。该系统硬件主要由应答开关、微控制单元、扬声器和语音芯片四部分构成。系统主要由微控制单元控制语音芯片,通过语音问答的形式和驾驶员进行人机交互,从而提高驾驶员的警觉性,实现对驾驶员的疲劳缓解。该系统便于安装携带,操作便捷,具有很强的实用性。此外,通过实验证明,该系统增加的认知负荷不会影响驾驶员应对意外问题的处理能力。（2）疲劳检测方法的研究。本文利用能有效反映大脑活动信息的复杂脑功能网络检测被试者的疲劳状态。首先,用小波包提取去噪后的θ节律波,计算14路通道任意两组通道之间的相关系数,用于构建相邻矩阵。然后,通过对比不同阈值下各阶段的脑功能网络聚类系数来选取合适的阈值T。最后,构建两种驾驶模式下T1-T7阶段的脑功能网络。同时,利用能反映不同驾驶阶段能量变化的相对功率谱比值来分析驾驶疲劳,本文具体采用了β/（θ+α）的比值。此外,本文结合BP神经元网络统计被试者每分钟的眼动次数,综合分析了驾驶疲劳特征。（3）模拟驾驶实验的设计。为了验证安全辅助系统的有效性,本文基于大脑认知设计了两类实验方案,一类为正常驾驶模式,一类为人机应答模式。为了保证实验数据的有效性,在严格控制实验室温湿度条件下,12名健康的被试者分别利用实验室模拟驾驶器执行了3个半小时的驾驶任务。此外,本文使用的脑电采集设备为Neuroscan,选用了能有效反映人脑额、中、后三个区域大脑活动特征的14路电极,增加了实用性。实验结果表明,人机应答模式下驾驶员的精神疲劳均低于正常驾驶模式,由此得出本文提出的安全辅助系统可有效缓解驾驶疲劳。
樊宇宙[3]（2021）在《EEG数据特征提取及脑卒中发病风险分类预测研究》文中研究说明脑卒中又称“中风”,是一种常见的脑血管疾病,在我国居民中的发病率呈现逐年上升趋势。其发病快、病程急,在临床上具有高发病率、高致死率及高致残率等特点。脑卒中主要分为出血性及缺血性两种,二者发病机制不同。脑电信号（electroencephalogram,EEG）是脑神经细胞电生理活动的反映,包含人体大量生理信息,脑卒中发病前后EEG数据会呈现显着差异性,不同类型脑卒中其EEG数据也表现出不同特性,因此,基于EEG数据进行脑卒中发病预测是实现脑卒中高效诊断的有效措施。目前临床上依据EEG数据进行脑卒中发病风险预测的诊断主要采取人工判读的方法,极易受临床医生主观判断及已有经验的影响。近年来,随着人工智能技术在智能医学的发展,采用现代信号处理手段对EEG数据进行脑卒中发病预测成为近年研究热点,有助于加快实现脑卒中智慧医疗辅助诊断。已有研究发现,EEG数据是一种具有非线性动力学特征的非平稳时间序列,所以利用非线性动力学方法对EEG数据提取合适的特征,选取有效的分类模型,能够帮助医生迅速诊断患者的脑卒中类型,并及时采取有效治疗措施。为此,本文引入了基于多重分形去趋势波动分析（Multifractal Detrended Fluctuation Analysis,MF-DFA）和熵特征的脑卒中EEG数据特征提取方法,并对比分析了单分类器和集成分类器对提取的EEG特征进行脑卒中发病预测的性能差异,以得到较优的脑卒中分类预测结果。本文主要工作如下:第一:基于多重分形去趋势波动分析MF-DFA的脑卒中EEG数据特征提取研究。首先对脑卒中EEG数据分别求解其广义Hurst指数谱、标度指数谱以及多重分形谱。证明了脑卒中EEG数据具有多重分形特性,并从中提取了四个分形特征:广义Hurst指数谱特征hqmax、多重分形谱特征αmax与α0、标度指数谱特征τqmin。对366例脑卒中患者EEG数据分别提取四个分形特征,采用C4.5单决策树作为预测模型进行脑卒中发病风险分类预测研究,实验结果表明,四个分形特征中,广义Hurst指数hqmax可获得最优的脑卒中分类预测性能。进一步对366例患者8个导联中每个导联提取四个分形特征,依然采用C4.5单决策树进行脑卒中分类预测,实验结果表明,脑卒中患者8个导联中,对C4导联进行特征提取,脑卒中分类预测性能最优。第二:基于EEG数据多特征融合的脑卒中发病风险分类预测研究。首先引入了四种单一熵特征值对两类脑卒中EEG数据进行特征提取,然后引入小波包分层理论,将小波包分解与单一熵特征相结合来提取两类脑卒中EEG数据的四种分层熵特征值。之后将得到的单一熵特征值和分层熵特征值分别与脑卒中多重分形特征值进行融合,建立C4.5单决策树分类预测模型,进行脑卒中发病风险分类预测。实验结果表明,脑卒中EEG数据广义Hurst指数最大值、C4导联四个分形特征和分层模糊熵进行融合时脑卒中发病风险分类预测性能最优。第三:集成极限学习机在脑卒中发病风险分类预测中的应用研究。为了获得更好的脑卒中发病风险分类预测性能,引入了极限学习机预测模型和Adaboost集成分类模型,设计了基于Adaboost的集成决策树分类预测模型和集成极限学习机分类预测模型。将EEG数据单一特征和融合特征作为输入,对比分析了C4.5单决策树、极限学习机以及集成C4.5决策树分类预测模型和集成极限学习机分类预测模型性能差异。实验结果表明:基于脑卒中EEG数据单一特征和融合特征,集成极限学习机得到的脑卒中发病风险分类预测性能最优。
孙政波[4]（2021）在《外加激励信号下寒地水稻植物电信号响应特性的研究》文中认为水稻是我国最重要的粮食作物,其生长环节中的生长环境并不是一成不变的,且其中的每一个环节都关系到水稻最终的收获质量,所以为了更好地对水稻这种粮食作物的长势情况提供更多的反馈,本文在前人已有的研究基础上,结合时域、频域、时频域等相关方法对采集的植物电信号数据进行处理,研究在单变量环境因素和外加激励信号的条件下水稻叶片上的电信号的响应特性。本研究主要包括以下内容:（1）搭建了水稻叶片多通道植物电信号采集系统。查阅生物电信号相关领域文献,根据植物电信号的特点搭建了多通道植物电信号采集系统,硬件部分包括采集电极、以AD620为核心的多通道小信号放大调理模块、高速数据采集卡以及各种环境因素监测传感器,软件部分即基于Lab VIEW软件开发的上位机。经试验验证,该系统可完成不同光照强度、不同土壤含水率以及不同激励强度下的植物电信号采集工作,且实现了多通道下同步、高速、无损、连续采集植物电信号的目标。（2）揭示了水稻叶片在不同光照强度下植物电信号的响应特性。通过3组对比试验发现光照强度过低会使植物本身电信号的波动变大,利用10组数据分析可知光照强度为8.77%（5.7k～5.8klx）的时域特征最明显,此时信号中均为正电位,信号波动最大。功率谱曲线主要在4Hz以下,小波时频图中颜色较深的部分集中在1Hz～3Hz,但整体变化不明显。（3）揭示了水稻叶片在不同土壤含水率下植物电信号的响应特性。通过对照试验观察到在水稻受到干旱胁迫时电位波动较小,反之信号随机性增强,活跃度更高,利用7组数据分析得出本研究中水稻在土壤含水率为78.9%的时域特征最强,信号功率谱在4Hz时的谱峰值已接近-50db,能量较高部分大都在2Hz以下,由小波时频图可知植物电信号能量最强部分仍集中在1Hz～3Hz,且在土壤含水量为78.9%时颜色最深。（4）揭示了水稻叶片在不同强度的激励信号作用下植物电信号的响应特性。通过对照试验发现方波激励可让植物电信号发生明显波动,接着用15组数据分析得出激励为4V时信号时域特征受到了显着影响,功率谱曲线主要在4Hz以下,但信号能量在激励为1.5V时出现波动,达到3V后信号的频率范围有所加宽,信号能量整体有显着增强。虽然小波时频图中展现出更丰富的信号频率分布,但是颜色较深的成分依旧集中在1Hz～3Hz。
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》文中提出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。
陈松晔[6]（2020）在《基于深度学习和集成学习的脉象信号分析识别研究》文中提出脉诊作为传统中医的一部分,在临床诊断中占有不可或缺的地位。中医在脉诊时根据主观感受和长期的经验对患者进行诊断,缺乏客观的评价标准。针对以上问题,本文将多种信号分析方法和机器学习算法综合应用于脉象信号的分析识别中,并开发了中医脉诊信息采集分析系统,为脉诊的客观化和智能化打下一定的基础。本文的主要内容可分为以下三部分:第一,本文采用Lyapunov指数对脉象信号进行非线性分析,表明其具有一定的混沌特性。在此基础上,采用非线性动力学方法将脉象信号转换为无阈值递归图,避免因阈值选取不当而导致大量细节特征的丢失。通过卷积神经网络对无阈值递归图进行特征的自学习,建立脉象信号分类模型。实验结果表明该方法可以获得较好的分类效果。第二,为了更好地利用不同脉象信号分析方法的优势,本文结合时域、时频域和非线性动力学三种分析方法,提出了基于Stacking方法的脉象信号集成分类模型（ResNet and SVM based Stacking Networks,RSSN）。采用SVM建立时域及时频域特征的分类模型,采用ResNet建立无阈值递归图的分类模型。通过Stacking方法集成SVM和ResNet分类模型,可以在一定程度上结合不同模型的优势。实验结果表明RSSN可以有效提升脉象信号的分类准确率,具有优异的性能。第三,本文设计并开发了中医脉诊信息采集分析系统。该系统采用Visual Studio 2015开发工具和DuiVision界面库,实现了患者基本信息和脉象信号的采集,并依据提取的特征对脉象信号进行分析与识别。在脉象八因素的基础上,本文结合阈值法和RSSN提出了一种适用于常见29种脉象的分类框架,并根据现有数据集建立了部分因素的分类模型。最后,采用MySQL数据库实现了数据的存储和查询功能。
任泓锦[7]（2019）在《基于EEG-NIRS情绪调节机制及脑机接口应用研究》文中认为在人类心理学的发展历程中,情绪的产生和调控的机制等一系列问题始终是心理学研究的热点问题。而在脑机接口（Brain Computer Interface,BCI）的研究中,如何寻找高精度的脑信号特征并降低被试自身因素对实验准确性带来的影响是BCI研究者一直在探索的问题。对这情绪和脑机接口的研究,也是对人类对大脑的探索。在探索的过程中,脑电（Electroencephalogram,EEG）和近红外光谱（Near-Infrared Spectroscopy,NIRS）这两种现代神经影像学成像方法的结合可以为我们提供更多有价值的结果。本文在已有情绪研究的基础上通过EEG与NIRS融合的方法,研究情绪调节的机制。在预实验阶段选取15名被试,建立情绪诱发素材库,设计视频,音频及自我想象三种情绪诱发实验。将被试的θ节律和α节律的功率谱能量作为训练特征,使用支持向量机（Support Vector Machine,SVM）对结果进行学习和分类,得到的“悲伤”、“高兴”和“恐惧”三种情绪的分类准确率为70.8%,83.3%和76.4%。在情绪调节实验中,另选15名被试,在视频诱发出恐惧情绪后,完成不同情境下对恐惧情绪的调节任务。我们使用分型布朗运动模型（Fractal Brownian Motion,fBM）计算额区通道的Hurst指数后发现,恐惧情绪所引起的脑电活动变化,是不断衰减的,恐惧情绪调节的过程会引起θ和α节律的能量的降低,但若被试所处环境改变则会对其降低速率产生影响。在BCI的应用研究中,我们通过对20名被试单眼稳态视觉诱发电位（Steady state visual evoked potential,SSVEP）控制多机器人协同任务的数据进行分析,得到双眼和优势单眼SSVEP控制的平均准确率分别为82.85%和87.40%,准确率随实验时间的增长而减少。本研究显示,对于传统SSVEP刺激范式长时间单眼SSVEP机器间协作任务控制的准确率可以满足基本控制要求,被试双眼视力差值较大时会降低SSVEP控制的准确率。同时我们也对基于EEG-NIRS融合的运动想象（Motor Imagery）BCI做了初步的研究,结果表明EEG的θ节律结合NIRS在运动区的含氧血红蛋白浓度（HbO）的变化,可以作为该类BCI的分类特征。
喻浩文[8]（2019）在《基于脑电的飞行模拟训练认知负荷初步研究》文中指出现代工业技术的飞速发展,使得人机系统变得越来越复杂。由于人脑接受和处理信息的能力有限,人机系统中的认知活动会对大脑带来认知负荷。适当的认知负荷是有助于提高学习效率,但过高的认知负荷却会适得其反。研究飞行模拟训练中的认知负荷情况可以有效指导飞行学员的训练。脑电信号因其具有采集设备便携和低成本等诸多优点而广泛用于认知负荷的评估,本文采用近似熵、小波包分解和希尔伯特-黄变化算法对模拟飞行中的脑电信号从不同角度进行分析,分析结果基本能够反映飞行学员认知负荷情况。本文首先介绍了研究涉及的基本知识和实验情况。从脑电信号的微观形成机制、基本节律和生理特点几个方面描述了脑电基本知识,简要说明了大脑的功能分区。同时介绍了认知活动的机制、认知负荷理论起源和发展以及目前的主要观点。本文所述实验为常规五边模拟飞行实验,被试均来自于不同学习阶段的飞行学员,飞行场景包括晴朗和风雨模式,采集的脑电数据覆盖了模拟飞行的全程。其次,以近似熵算法为核心、同时辅以统计学方法对脑电信号进行处理,总结了近似熵在飞行过程中的变化特点。从天气和受训情况的角度指出近似熵的差异,并进一步地观察到近似熵随受训时间的增加而逐渐上升的趋势,最终得到近似熵的近似上限阈值。研究发现,近似熵由于其处理随机信号的优势,是进行脑电数据分析的有效算法,研究结果表明近似熵能够在一定程度上反映认知负荷的情况。最后,利用小波包分解和希尔伯特-黄变换两种算法从时频角度进行分析,归纳了各飞行阶段能量的典型变化特征,借助统计图表得到了基于大样本下的不同飞行段的能量分布规律,研究结果得到了支持向量机的方法的验证。此外,充分利用经验模态分解的优势,提出了定量评估认知负荷的基本方法,并利用经验模态分解展现其变化过程。
常文文[9]（2019）在《面向脑机接口的多模态认知隐藏信息特征检测与识别研究》文中研究指明认知隐藏信息检测或测谎在国家安全、司法和职员筛选等领域有着特殊的作用。传统的多导测试仪在一些国家的某些领域得到了较为普遍的应用,但其科学性和有效性一直受到一些科学家的质疑。要想将其作为法律依据独立应用于司法系统和国家安全领域,除了加强其测试理论和分析方法的研究,同时更需要探索其他替代技术和改进方法来提高检测的准确率和可靠性。近年来,随着脑与认知神经科学研究方法及脑成像技术的发展,基于脑机接口（Brain Computer Interface,BCI）的认知隐藏信息检测技术得到了广泛关注和快速发展。广义上来讲,认知隐藏信息检测通常指隐藏信息测试（Concealed Information Test,CIT）过程,是测谎的一种实现形式。说谎,其本质来讲是一种复杂的认知过程,涉及一系列高级认知功能。而脑机接口技术和脑成像分析方法能够较为直观地反映大脑的这种认知活动,只有在对说谎对应的脑工作机制和认知过程有了充分的认识之后,才有可能设计出更加有效的检测系统。同时,随着机器学习算法的发展以及在人工智能中的应用,将脑机接口技术与机器学习方法相结合,建立基于脑机接口的模式判别系统对隐藏信息的检测具有十分重要的意义。本文基于脑机接口系统和实验室测谎范式,设计了基于视、听、触觉刺激的多模态隐藏信息检测实验,通过对全脑区多通道脑电（Electroencephalogram,EEG）信号的分析,从时、频、空间域以及脑功能网络连接的角度对说谎和真实状态下的大脑活动特征展开详细研究,并结合模式识别算法完成对实验中说谎和真实状态的分类识别。本文的主要工作和创新点体现在以下几个方面:1、提出了基于多通道P300幅值几何差的时域检测方法和基于网络结构中“关键节点特征比”的空域检测方法。为了研究隐藏信息检测过程中说谎状态对应各脑区脑电信号的时-频-空域特征,设计了面向脑机接口的视觉刺激隐藏信息检测实验,对说谎和真实状态下的脑电信号展开全脑域分析。在时域几何差的分析方法中,发现说谎组对应靶刺激和无关刺激之间的几何差明显大于靶刺激和探测刺激之间的几何差;而在真实组中,两种差值之间并没有发现显着区别。在空间域的分析方法中,发现说谎组中靶刺激和无关刺激之间的关键节点特征比明显不同于靶刺激和探测刺激之间的比值,但在真实组中并没有如此明显的差别。利用这些显着差异便可实现对说谎和真实状态的分类识别,实验结果表明这两种方法都具有较高的识别正确率,验证了方法的有效性。2、提出了基于EEG二值网络特征和支持向量机的隐藏信息检测方法。为了对隐藏信息检测过程中说谎状态对应脑功能网络展开定量分析,从而实现检测过程的计算机化,设计了新的面向脑机接口的视觉图片刺激和听觉音频刺激检测实验,构建了不同状态下基于非线性相互依赖指数的二值网络,结合网络特征参数和支持向量机实现对说谎和真实状态的特征识别,测试结果得到了较高的分类正确率,证实该方法是可行有效的。对不同状态网络特征参数的对比分析发现,在视觉和听觉刺激作用下,脑功能网络都表现出小世界特性,同时说谎状态对应网络小世界特性增强。此外,还发现视觉刺激和听觉刺激对应检测效果之间并没有显着的区别,但是视觉刺激的整体识别率要高于听觉刺激。本文首次将脑功能网络的分析方法应用到隐藏信息检测中,测试效果良好,为隐藏信息检测和对应脑认知机制的研究提供了新的研究途径和思路。3、提出了基于EEG加权网络特征和量子神经网络分类器的检测方法。二值网络的主要缺点是通过阂值筛选之后网络会丢失一些有价值的信息,而加权网络能够更加真实地表现网络的连接关系。基于上述二值网络研究结果,设计了面向脑机接口的视听同步刺激隐藏信息检测实验,并完成同视觉刺激作用下测试效果的对比。通过相位延迟指数构建不同状态对应的加权功能网络,此外本文提出了全局特征熵的概念,用以实现对全脑整体复杂度的定量表征。最后,本文设计并实现了量子门节点神经网络分类器,结合加权网络特征参数和全局特征熵完成对隐藏信息的检测。实验结果表明该方法也能较好地识别说谎和真实状态,验证了其有效性。对视听同步和视觉刺激的对比分析发现,结合视觉和听觉刺激的测试效果要优于单纯的视觉刺激的效果,也为多模态刺激的融合提供了实验依据。4、构建了熟人和陌生人信息诱发脑电信号对应的因果网络,提出了基于网络“流度比”的阈值选择方法。大脑的认知过程涉及不同脑区间的相互协调和配合,但在说谎过程中不同脑区间的信息具体是如何传递的,以及脑区间是否存在某种依赖关系,仅通过上述同步分析是无法解答的。隐藏信息检测的主要依据是大脑对熟知的人物信息的反应不同于对陌生人物信息的反应。因此,基于上述实验中视听同步刺激的测试数据,分别对熟人和陌生人信息诱发脑电信号在Delta、Theta、Beta和Alpha四个波段内使用传递熵构建对应的有向功能网络,通过计算各频段内对应网络节点的流度比实现对网络的重点筛选,并完成对应网络特征量的对比分析。结果发现熟人和陌生人信息诱发有向功能网络中核心节点的位置以及不同脑区间信息流向存在不同程度的差异,表明不同脑区对熟人信息的认知参与程度不同于对陌生人信息的认知参与过程。本文基于有向功能网络特征的分析,对理解大脑对是否熟知的信息的认知反映以及认知过程中脑区间信息的流动具有重要的现实意义,同时为探索除P300之外的其他波段信号在CIT中的应用具有一定的借鉴意义。5、采用六种分别表征信号间时域和频域、线性和非线性以及一般同步和相位同步的分析方法对隐藏信息检测过程中说谎和真实状态对应网络特征展开对比分析,找到适用于CIT中网络构建的最佳分析方法。可用于功能网络构建的同步性分析方法众多,但不同方法其理论依据和计算过程各不相同,对同一组信号间依赖关系的表征因此也不尽相同,会对隐藏信息检测的效果产生一定的影响。本文基于图论理论,对面向脑机接口的隐藏信息检测过程中说谎和真实状态对应不同脑网络结构展开对比分析。结果发现,相比真实状态,网络结构在说谎状态下连接强度增强、小世界特性增强,两种状态间网络特征参数表现出统计性显着差异。此外,对比线性和非线性,以及时域和频域分析方法对应的网络特征,发现这些方法之间并不存在显着差异,而通过互信息构建的功能网络其特征量对两种状态的区别效果最佳。该结果为面向脑机接口的隐藏信息检测中脑功能网络构建方法的选择提供了重要参考。6、提出了面向脑机接口的视觉刺激和触觉反馈的CIT分析方法。触觉感知是人体除视听感知之外的另一种非常重要的感知系统,是实现脑机交互的一个重要感官通道,新一代面向脑机接口的隐藏信息检测系统将是基于多刺激模态、结合虚拟现实技术和人工智能的综合性测试系统。同时触觉反馈刺激的引入对应对反测谎CIT系统的设计具有一定的价值,因此首先需要清楚触觉刺激作用下的脑认知机理和信息处理过程。本文设计了单向感知的多稳态触觉刺激实验和人在回路中存在感知反馈的邻近阈值触觉刺激实验,通过同步记录触觉刺激诱发的脑电信号实现对感知过程中大脑认知特征的研究。结果发现,在多稳态触觉感知实验中,并不存在不同感知状态之间的脑神经活动差异;而邻近阂值刺激实验能够较好地表现被试对触觉刺激的感知过程,此外还发现大脑的感知状态越确定,其活跃程度就越低。基于上述结论,本文将邻近阈值触觉刺激引入到面向脑机接口的视觉CIT实验中,通过在视觉刺激之前加入触觉反馈来应对检测过程中可能出现的反测谎手段,实验结果表明,该实验模式在应对反测试时有较好的效果,而触觉刺激的加入并不影响大脑对隐藏信息的检测过程,从而可提高CIT系统的稳定性和可靠性。本文对面向脑机接口的隐藏信息检测过程中脑电信号的时-频-空域特征以及脑功能网络结构的研究,首次从全脑不同脑区的角度对说谎过程中脑神经活动开展了较为详细的分析,对理解说谎过程对应的大脑认知机制具有重要的参考价值;同时对视、听、触觉刺激范式下的脑认知活动进行了详细分析,为面向脑机接口的多模态隐藏信息检测系统开发提供了理论依据。同时本文提出的几种隐藏信息检测方法在理论研究和实际应用中具有一定的借鉴意义和参考价值。
迟晓梅[10]（2011）在《疲劳驾驶状态脑血流动力学特性的研究》文中研究指明随着我国高速公路建设的飞速发展,发生重大交通事故的比例也呈逐年上升的趋势,而驾驶疲劳是发生车祸的重要原因。因此,对驾驶疲劳的研究,不但有重要的理论意义,同时也将产生重大的社会价值和经济价值。采用模拟驾驶舱进行驾驶仿真实验,分析导致疲劳的典型因素,是目前国内外普遍采用的一种研究方法,对驾驶疲劳进行评测和预警研究有重要作用。本文研究疲劳驾驶对脑血流动力学的影响。运用经颅多普勒超声血流分析仪,实时地检测健康男青年在疲劳驾驶过程中大脑中动脉的脑血流频谱图,分析疲劳驾驶前后的血流脑速度的改变。疲劳驾驶后采用不同的休息方式来缓解脑部疲劳,并检测此时的脑血流频谱图。脑血流频谱图的包络线为脑血流的最大频率曲线,表示在血管中流速最快的红细胞产生的频移。它包含着丰富的信息,如收缩期最大血流速度、舒张末最小血流速度、平均血流速度、S/D值、搏动指数、阻力系数。因此在分析频谱图前,先提取出脑血流动力学频谱图的最大频率曲线。在提取最大频率曲线时引入了突变信号,提出先采用小波模极大值去噪；而脑血流信号属于非线性信号,不但混有来自系统、源超声信号和周围环境的噪声,且含有血管壁信号和因探头移动而产生的噪声,因此用小波阈值再次对信号降噪,分解信号至各层系数后分别阈值去噪,较好地降噪同时尽可能多地保留了脑血流的特征信号。利用小波模极大值方法提取最大频率曲线上的各个参数值,然后对各个血流参数的数据进行统计,分析疲劳驾驶和休息对脑血流速度的影响。最后利用Excel做出这些参数的柱状图,从而得出相应的结论。本文综合评估长时间驾驶以及不同休息模式对驾驶员疲劳程度的影响。其研究成果可以为疲劳驾驶的预防提供帮助,为后续模拟驾驶实验提供参考。
二、小波包分析在脑血流动力学研究中的应用（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、小波包分析在脑血流动力学研究中的应用（论文提纲范文）
（2）基于大脑认知的疲劳驾驶安全辅助系统研究（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 驾驶疲劳及其识别研究现状 |
| 1.2.1 驾驶疲劳及其原因分析 |
| 1.2.2 疲劳驾驶识别的研究现状 |
| 1.3 本文工作内容 |
| 第2章 基于大脑认知的疲劳分析方法研究 |
| 2.1 疲劳驾驶脑电信号预处理方法研究 |
| 2.1.1 小波包分析 |
| 2.1.2 小波包去噪方法分析 |
| 2.2 基于脑功能网络疲劳特征的方法研究 |
| 2.2.1 脑功能网络的构建 |
| 2.2.2 脑功能网络特征分析 |
| 2.3 基于功率谱疲劳特征的方法研究 |
| 2.3.1 功率谱分析原理 |
| 2.3.2 相对功率谱比值分析 |
| 2.4 基于眼电疲劳特征的分析方法研究 |
| 2.5 基于主观问卷调查的疲劳方法研究 |
| 2.6 本章小结 |
| 第3章 疲劳驾驶安全辅助系统设计 |
| 3.1 汽车模拟驾驶器 |
| 3.2 脑电信号采集设备 |
| 3.3 人机应答系统 |
| 3.3.1 系统框架介绍 |
| 3.3.2 微控制单元模块 |
| 3.3.3 系统工作原理 |
| 3.4 本章小结 |
| 第4章 人机应答模式下驾驶疲劳实验研究 |
| 4.1 实验方案设计 |
| 4.2 实验数据预处理 |
| 4.3 实验结果分析 |
| 4.3.1 主观问卷调查分析 |
| 4.3.2 被试者的反应错误率 |
| 4.3.3 脑功能网络分析 |
| 4.3.4 脑电功率谱特征分析 |
| 4.3.5 眼动特征分析 |
| 4.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）EEG数据特征提取及脑卒中发病风险分类预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 EEG数据研究现状 |
| 1.2.1 总体研究现状 |
| 1.2.2 特征提取的研究现状 |
| 1.2.3 分类预测模型的研究现状 |
| 1.3 存在的问题 |
| 1.4 本课题研究内容与论文结构安排 |
| 1.4.1 本课题研究内容 |
| 1.4.2 论文结构安排 |
| 第二章 EEG数据分析的基础理论 |
| 2.1 脑电信号概述 |
| 2.1.1 脑电信号的产生与采集 |
| 2.1.2 脑电信号的特点 |
| 2.2 EEG数据经典分析法 |
| 2.2.1 时域分析 |
| 2.2.2 频域分析 |
| 2.2.3 时频分析 |
| 2.3 非线性动力学分析 |
| 2.3.1 熵特征值 |
| 2.3.2 多重分形去趋势波动分析 |
| 2.4 经典分类预测模型 |
| 2.4.1 决策树 |
| 2.4.2 极限学习机 |
| 2.5 本章小结 |
| 第三章 基于MF-DFA的脑卒中发病风险分类预测研究 |
| 3.1 MF-DFA原理 |
| 3.2 实验数据 |
| 3.3 脑卒中EEG数据的多重分形特性 |
| 3.3.1 脑卒中EEG数据Hurst指数谱 |
| 3.3.2 脑卒中EEG数据标度指数谱 |
| 3.3.3 脑卒中EEG数据多重分形谱 |
| 3.4 脑卒中EEG数据的分形特征提取 |
| 3.5 实验方案与流程 |
| 3.5.1 实验方案 |
| 3.5.2 实验流程 |
| 3.6 实验结果及分析 |
| 3.6.1 评价指标 |
| 3.6.2 实验结果及分析 |
| 3.7 本章小结 |
| 第四章 EEG数据多特征融合的脑卒中发病风险分类预测研究 |
| 4.1 脑卒中EEG数据分层熵特征值提取 |
| 4.1.1 分层熵 |
| 4.1.2 模糊熵 |
| 4.1.3 分层模糊熵的特征值提取 |
| 4.2 基于EEG数据多特征融合的脑卒中发病风险分类预测 |
| 4.3 实验方案与流程 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 集成极限学习机在脑卒中发病风险分类预测中的应用 |
| 5.1 Adaboost算法 |
| 5.2 基于Adaboost极限学习机的脑卒中发病风险分类预测模型构建 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 下一步工作展望 |
| 6.3 本章小结 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 论文受项目资助情况 |
| 致谢 |
（4）外加激励信号下寒地水稻植物电信号响应特性的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 国内外研究动态和趋势 |
| 1.2.1 电信号在植物体内的生理效应以及信号分析的国内外研究现状 |
| 1.2.2 不同环境因子下植物电信号的传导和特征变化的国内外研究现状 |
| 1.3 研究目标、内容和技术路线 |
| 1.3.1 课题来源 |
| 1.3.2 研究目标 |
| 1.3.3 研究内容 |
| 1.3.4 研究方案和技术路线 |
| 2 植物电信号的基础理论和研究方法 |
| 2.1 植物电信号与测量技术 |
| 2.2 植物电信号的预处理 |
| 2.3 植物电信号降噪方法研究 |
| 2.3.1 小波阈值降噪 |
| 2.3.2 无偏风险阈值去噪 |
| 2.4 植物电信号分析方法及其应用 |
| 2.4.1 植物电信号的时域分析 |
| 2.4.2 植物电信号的频域分析 |
| 2.4.3 植物电信号的时频域分析 |
| 2.5 本章小结 |
| 3 多通道植物电信号采集系统的设计 |
| 3.1 采集电极的选择 |
| 3.2 信号调理模块的选择 |
| 3.3 数据采集卡的选择 |
| 3.4 数据采集上位机的设计 |
| 3.5 本章小结 |
| 4 不同光照强度下植物电信号响应特性的研究 |
| 4.1 试验材料与方法 |
| 4.1.1 试验装置与材料 |
| 4.1.2 试验方法 |
| 4.2 结果与分析 |
| 4.2.1 植物电信号的初步分析 |
| 4.2.2 植物电信号的时频分析 |
| 4.2.3 植物电信号在叶片上的传播特性 |
| 4.3 本章小结 |
| 5 不同土壤含水率下植物电信号响应特性的研究 |
| 5.1 试验材料与方法 |
| 5.1.1 试验装置与材料 |
| 5.1.2 试验方法 |
| 5.2 结果与分析 |
| 5.2.1 植物电信号的初步分析 |
| 5.2.2 植物电信号的时频分析 |
| 5.2.3 植物电信号在叶片上的传播特性 |
| 5.3 本章小结 |
| 6 不同强度的激励信号作用下的植物电信号响应特性的研究 |
| 6.1 试验材料与方法 |
| 6.1.1 试验装置与材料 |
| 6.1.2 试验方法 |
| 6.2 结果与分析 |
| 6.2.1 植物电信号的初步分析 |
| 6.2.2 植物电信号的时频分析 |
| 6.2.3 植物电信号在叶片上的传播特性 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 个人情况 |
| 教育背景 |
| 科研经历 |
| 在学期间发表论文 |
（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）基于深度学习和集成学习的脉象信号分析识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题背景及意义 |
| 1.1.1 课题背景 |
| 1.1.2 课题目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 脉象信号采集 |
| 1.2.2 脉象信号预处理及特征提取 |
| 1.2.3 脉象信号模式识别 |
| 1.3 本文主要工作和内容安排 |
| 第2章 基于递归图和卷积神经网络的脉象信号分析识别 |
| 2.1 引言 |
| 2.2 系统概述 |
| 2.3 脉象信号的非线性分析 |
| 2.3.1 Lyapunov指数 |
| 2.3.2 C-C算法 |
| 2.3.3 脉象信号的混沌分析 |
| 2.4 无阈值递归图 |
| 2.5 卷积神经网络 |
| 2.5.1 卷积神经网络简介 |
| 2.5.2 基于VGG-16的脉象信号分类模型 |
| 2.6 实验设置 |
| 2.6.1 实验数据描述 |
| 2.6.2 数据预处理 |
| 2.6.3 均衡数据集 |
| 2.6.4 训练参数设置及评价标准 |
| 2.7 实验结果及分析 |
| 2.7.1 VGG-16特征可视化 |
| 2.7.2 实验结果及分析 |
| 2.8 本章小结 |
| 第3章 脉象信号集成分类模型的研究 |
| 3.1 引言 |
| 3.2 RSSN模型架构 |
| 3.3 脉象信号特征提取 |
| 3.3.1 时域特征提取 |
| 3.3.2 时频域特征提取 |
| 3.4 RSSN模型设计 |
| 3.4.1 Stacking集成方法 |
| 3.4.2 基学习器设计 |
| 3.4.3 元学习器设计 |
| 3.5 实验设置 |
| 3.5.1 实验数据及预处理 |
| 3.5.2 训练参数设置及评价标准 |
| 3.6 实验结果及分析 |
| 3.6.1 SVM实验结果 |
| 3.6.2 ResNet实验结果 |
| 3.6.3 RSSN实验结果 |
| 3.7 本章小结 |
| 第4章 中医脉诊信息采集分析系统 |
| 4.1 引言 |
| 4.2 系统设计 |
| 4.3 开发平台及界面库简介 |
| 4.4 脉诊信息采集模块 |
| 4.4.1 基本信息采集 |
| 4.4.2 脉象信号采集 |
| 4.5 脉象信号分析与识别模块 |
| 4.5.1 脉象信号分析 |
| 4.5.2 脉象信号分类模型 |
| 4.6 数据管理模块 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间成果 |
（7）基于EEG-NIRS情绪调节机制及脑机接口应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 情绪研究及多模态脑机接口 |
| 1.2.1 情绪研究 |
| 1.2.2 什么是情绪调节 |
| 1.2.3 多模态脑机接口研究现状 |
| 1.3 本文的研究内容与目的 |
| 1.4 论文结构 |
| 1.5 本章小结 |
| 第二章 脑电、近红外及脑机接口基础知识 |
| 2.1 脑电信号研究 |
| 2.1.1 事件相关电位 |
| 2.1.2 皮层脑电图 |
| 2.1.3 情绪诱发脑电的生理学基础 |
| 2.2 近红外与情绪研究 |
| 2.2.1 近红外光谱技术简介 |
| 2.2.2 近红外在情绪研究中的应用 |
| 2.3 脑机接口 |
| 2.3.1 基于EEG的脑机接口 |
| 2.3.2 基于NIRS的脑机接口 |
| 2.4 本章小结 |
| 第三章 基于EEG的情绪诱发研究 |
| 3.1 情绪的诱发 |
| 3.2 诱发情绪的音频和视频库的建立 |
| 3.3 情绪诱发实验设计 |
| 3.3.1 音频/视频诱发情绪的实验设计 |
| 3.3.2 想象诱发情绪的实验设计 |
| 3.4 实验平台及数据采集 |
| 3.5 实验数据处理及分析 |
| 3.5.1 数据预处理 |
| 3.5.2 脑地形图分析 |
| 3.5.3 小波包分解 |
| 3.5.4 机器学习算法分类 |
| 3.5.5 数据处理结果 |
| 3.6 小结 |
| 第四章 基于EEG-NIRS的情绪调节研究 |
| 4.1 情绪调节 |
| 4.1.1 杏仁核 |
| 4.1.2 前额叶皮质 |
| 4.2 情绪调节实验设计 |
| 4.3 实验数据处理与分析 |
| 4.3.1 脑电数据处理与分析 |
| 4.3.2 近红外数据处理与分析 |
| 4.4 本章总结 |
| 第五章 脑机接口应用研究 |
| 5.1 基于单眼SSVEP的脑控多机器人协作任务 |
| 5.1.1 稳态视觉诱发电位(SSVEP) |
| 5.1.2 实验平台及任务设计 |
| 5.1.3 典型相关分析(CCA) |
| 5.1.4 实验结果 |
| 5.1.5 结论 |
| 5.2 基于EEG-NIRS双模态的MI脑机接口初步研究 |
| 5.2.1 简易实验设计 |
| 5.2.2 实验数据分析及特征选择 |
| 5.3 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间发表论文 |
| 附录 B 攻读硕士期间参与项目 |
| 附录 C 被试自我评估量表 |
（8）基于脑电的飞行模拟训练认知负荷初步研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的背景和应用价值 |
| 1.2 国内外的研究现状及发展趋势 |
| 1.3 本文主要工作和章节安排 |
| 1.3.1 本文的主要工作 |
| 1.3.2 本文的章节安排 |
| 第二章 脑电和认知负荷基本理论及实验设计 |
| 2.1 脑电信号概述 |
| 2.1.1 脑电信号的节律 |
| 2.1.2 脑电信号的形成机制 |
| 2.1.3 脑电信号生理特点 |
| 2.1.4 大脑功能分区 |
| 2.2 认知负荷基本理论 |
| 2.2.1 认知活动的机制 |
| 2.2.2 认知负荷理论的发展 |
| 2.2.3 认知负荷理论在飞行中的应用及发展 |
| 2.3 实验方案与流程设计 |
| 2.3.1 实验要求与设备 |
| 2.3.2 实验对象 |
| 2.3.3 实验设备 |
| 2.3.4 实验流程 |
| 2.3.5 实验数据收集与整理 |
| 2.4 本章小结 |
| 第三章 近似熵算法的应用与分析 |
| 3.1 近似熵的算法 |
| 3.2 近似熵的性质 |
| 3.3 近似熵的快速算法 |
| 3.4 显着性检验方法 |
| 3.5 近似熵在脑电分析中的应用 |
| 3.5.1 近似熵表观分析 |
| 3.5.2 不同工况下脑电信号的特征分析 |
| 3.5.3 实训时间对脑部活动的影响 |
| 3.6 本章小结 |
| 第四章 脑电信号时频分析 |
| 4.1 小波包分析的基本理论 |
| 4.1.1 小波变换的基本思想 |
| 4.1.2 离散小波变换 |
| 4.1.3 小波基函数 |
| 4.1.4 多分辨率分析 |
| 4.1.5 小波包分析 |
| 4.2 希尔伯特-黄变换 |
| 4.2.1 经验模态分解 |
| 4.2.2 希尔伯特谱分析 |
| 4.3 脑电的时频分析 |
| 4.3.1 脑电信号的频域分解 |
| 4.3.2 不同飞行阶段各节律脑波活动特点 |
| 4.3.3 脑电能量的统计规律 |
| 4.3.4 分类器的引入 |
| 4.3.5 认知负荷的定量评估 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 论文不足与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）面向脑机接口的多模态认知隐藏信息特征检测与识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 隐藏信息检测方法概述 |
| 1.2.1 多导测试仪概述 |
| 1.2.2 隐藏信息检测的测试范式设置 |
| 1.2.3 隐藏信息检测的替代技术 |
| 1.3 国内外研究现状及发展 |
| 1.3.1 面向脑机接口的隐藏信息检测的提出 |
| 1.3.2 脑机接口CIT系统中EEG特征及识别研究现状 |
| 1.3.3 全脑区成像分析应用于CIT研究 |
| 1.3.4 国内研究现状及发展 |
| 1.4 本论文的研究目的及内容 |
| 1.5 本论文组织结构及技术路线 |
| 第2章 脑机接口CIT系统中EEG时-频-空域特征 |
| 2.1 引言 |
| 2.2 脑机接口CIT系统的构成 |
| 2.3 脑电信号基本特征及其研究方法 |
| 2.3.1 大脑基本分区及其对应的功能 |
| 2.3.2 脑电信号及其采集 |
| 2.3.3 脑电信号节律 |
| 2.3.4 事件相关脑电位 |
| 2.4 面向脑机接口的视觉CIT实验分析 |
| 2.4.1 实验设计 |
| 2.4.2 脑机接口CIT实验平台 |
| 2.4.3 数据预处理 |
| 2.5 隐藏信息检测的时频域分析 |
| 2.5.1 基本时频分析及结果 |
| 2.5.2 基于P300幅值几何差的检测方法 |
| 2.6 隐藏信息检测中空间网络结构关键节点特征分析 |
| 2.6.1 基于H指数的非线性相互依赖分析方法 |
| 2.6.2 基于H指数的空间网络连接分析 |
| 2.6.3 基于空间网络拓扑结构关键节点特征的识别方法分析 |
| 2.7 本章小结 |
| 第3章 基于EEG二值功能网络及SVM的隐藏信息检测 |
| 3.1 引言 |
| 3.2 基于图论的复杂网络理论 |
| 3.2.1 复杂网络概述 |
| 3.2.2 复杂网络基本概念 |
| 3.2.3 复杂网络基本模型 |
| 3.3 脑结构网络和脑功能网络 |
| 3.4 面向脑机接口的视觉和听觉CIT实验分析 |
| 3.4.1 实验设计 |
| 3.4.2 数据预处理 |
| 3.5 基于二值网络和SVM的检测与识别方法分析 |
| 3.5.1 脑功能网络的构建 |
| 3.5.2 脑功能网络的二值化 |
| 3.5.3 二值网络特征参数分析 |
| 3.5.4 支持向量机模式分类 |
| 3.6 本章小结 |
| 第4章 基于EEG加权功能网络及QNN的隐藏信息检测 |
| 4.1 引言 |
| 4.2 脑加权功能网络特征量 |
| 4.2.1 基本特征量 |
| 4.2.2 同配系数 |
| 4.2.3 传递性 |
| 4.3 基于相位延迟指数的加权网络构建方法 |
| 4.4 面向脑机接口的视听同步隐藏信息检测实验 |
| 4.4.1 实验设计 |
| 4.4.2 实验记录和数据预处理 |
| 4.5 基于加权网络特征的量子神经网络检测分析 |
| 4.5.1 脑加权网络的构建 |
| 4.5.2 脑加权网络特征参数分析 |
| 4.5.3 基于全局特征熵的全脑信号复杂度分析 |
| 4.5.4 基于遗传算法的脑电信号特征量优化 |
| 4.5.5 QNN分类器的构建及加权网络特征量的分类识别 |
| 4.6 本章小结 |
| 第5章 基于EEG有向功能网络连接的隐藏信息特征分析 |
| 5.1 引言 |
| 5.2 有向功能网络的构建方法 |
| 5.2.1 线性格兰杰因果 |
| 5.2.2 定向相干性 |
| 5.2.3 偏定向相干分析 |
| 5.2.4 直接传递函数分析 |
| 5.2.5 传递熵 |
| 5.3 有向功能网络特征参数 |
| 5.4 熟人和陌生人信息诱发有向功能网络连接分析 |
| 5.5 本章小结 |
| 第6章 脑机接口CIT系统中脑功能网络构建方法对比分析 |
| 6.1 引言 |
| 6.2 相互依赖关系分析方法 |
| 6.2.1 互相关函数 |
| 6.2.2 相干函数 |
| 6.2.3 互信息 |
| 6.2.4 相位同步 |
| 6.3 应用于隐藏信息检测分析 |
| 6.4 综合讨论 |
| 6.5 本章小结 |
| 第7章 面向脑机接口的视觉刺激和触觉反馈的CIT系统分析 |
| 7.1 引言 |
| 7.2 单向感知的多稳态触觉刺激实验 |
| 7.2.1 实验简介 |
| 7.2.2 实验设计 |
| 7.2.3 数据处理和结果讨论 |
| 7.3 存在感知反馈的邻近阈值触觉刺激实验 |
| 7.3.1 实验简介 |
| 7.3.2 实验设计 |
| 7.3.3 数据处理和结果讨论 |
| 7.4 基于视觉刺激和触觉反馈的CIT实验分析 |
| 7.4.1 实验系统构成 |
| 7.4.2 实验分析 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 本文主要工作及创新点 |
| 8.1.1 主要工程总结 |
| 8.1.2 主要创新点 |
| 8.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间取得的学术成果 |
| 攻读博士期间参与的科研项目 |
| 作者从事科学研究和学习经历简历 |
（10）疲劳驾驶状态脑血流动力学特性的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题研究的目的与意义 |
| 1.2 驾驶疲劳国内外研究现状 |
| 1.3 疲劳特征及机理 |
| 1.4 课题研究的任务和目标 |
| 第2章 脑血流动力学频谱图的特征 |
| 2.1 TCD的检测原理 |
| 2.1.1 超声波的特性 |
| 2.1.2 多普勒效应 |
| 2.2 TCD诊断系统 |
| 2.2.1 TCD仪器的基本组成部分 |
| 2.2.2 TCD频谱图及其特点 |
| 2.2.3 频谱图采集过程中参数调节 |
| 2.3 本章小结 |
| 第3章 基于人机工程学的汽车驾驶系统 |
| 3.1 人机工程学在汽车驾驶系统中的应用 |
| 3.2 汽车驾驶室的人机界面 |
| 3.2.1 汽车驾驶座椅 |
| 3.2.2 汽车仪表盘 |
| 3.2.3 汽车方向盘 |
| 3.2.4 汽车换挡机构与驻车制动机构 |
| 3.3 汽车模拟驾驶舱 |
| 3.4 本章小结 |
| 第4章 汽车疲劳驾驶与按摩缓解疲劳的实验设计 |
| 4.1 导致疲劳驾驶的因素 |
| 4.2 按摩特性与按摩机理 |
| 4.2.1 按摩的特性 |
| 4.2.2 按摩的作用机理 |
| 4.3 疲劳驾驶实验设计方案 |
| 4.4 实验数据的统计分析 |
| 4.5 本章小结 |
| 第5章 脑血流动力学最大频率曲线的提取与去噪 |
| 5.1 小波变换引入的背景 |
| 5.1.1 小波概念及特点 |
| 5.1.2 连续小波变换 |
| 5.1.3 离散小波变换 |
| 5.1.4 二进小波变换 |
| 5.2 小波变换在信号降噪中的应用 |
| 5.2.1 小波模极大值去噪 |
| 5.2.2 小波消噪算法 |
| 5.2.3 含噪信号的小波分析特性 |
| 5.3 最大频率曲线的意义 |
| 5.3.1 最大频率曲线的提取方法 |
| 5.3.2 最大频率曲线的降噪 |
| 5.3.3 脑血流参数分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 课题研究工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
四、小波包分析在脑血流动力学研究中的应用（论文参考文献）
- [1]超声刺激对不同状态小鼠的神经血管耦合调控研究[D]. 张开庆. 燕山大学, 2021
- [2]基于大脑认知的疲劳驾驶安全辅助系统研究[D]. 徐卿. 东北电力大学, 2021(09)
- [3]EEG数据特征提取及脑卒中发病风险分类预测研究[D]. 樊宇宙. 太原理工大学, 2021
- [4]外加激励信号下寒地水稻植物电信号响应特性的研究[D]. 孙政波. 黑龙江八一农垦大学, 2021
- [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]基于深度学习和集成学习的脉象信号分析识别研究[D]. 陈松晔. 华东理工大学, 2020
- [7]基于EEG-NIRS情绪调节机制及脑机接口应用研究[D]. 任泓锦. 昆明理工大学, 2019(04)
- [8]基于脑电的飞行模拟训练认知负荷初步研究[D]. 喻浩文. 南京航空航天大学, 2019(02)
- [9]面向脑机接口的多模态认知隐藏信息特征检测与识别研究[D]. 常文文. 东北大学, 2019
- [10]疲劳驾驶状态脑血流动力学特性的研究[D]. 迟晓梅. 东北大学, 2011(05)