一、現(xiàn)代信號處理理論在腦磁研究中的應(yīng)用（論文文獻(xiàn)綜述）
張亞飛[1]（2020）在《抑郁癥腦磁圖的微態(tài)特征及相關(guān)性研究》文中提出抑郁癥作為一種情感障礙型疾病,具有發(fā)病機(jī)理復(fù)雜問題。抑郁癥患者表現(xiàn)出一種悲觀情緒,更有甚者選擇自殺。腦磁圖作為一種無損傷、無侵害的技術(shù),它以較高的時(shí)空分辨率等優(yōu)點(diǎn),逐漸被使用到了抑郁癥的研究中。本文對6名抑郁癥患者和9名健康受試者的腦磁圖的微態(tài)序列的特征及相關(guān)性進(jìn)行研究,主要研究包括以下三個(gè)部分。第一、對抑郁癥腦磁圖的微態(tài)特征進(jìn)行研究,本文發(fā)現(xiàn)使用聚類為4的改進(jìn)的KMeans算法效果最佳。微態(tài)特征實(shí)驗(yàn)結(jié)果表明,抑郁癥患者組和健康對照組在中央?yún)^(qū)和額區(qū)差異性顯著。抑郁癥患者組在負(fù)性情緒圖片刺激下的熵明顯大于健康對照組,并且抑郁癥患者組在正性、中性和負(fù)性情緒圖片刺激下的熵率均大于健康對照組,說明在負(fù)性情緒圖片刺激下,抑郁癥患者組的腦磁圖的混亂程度高于健康對照組,且在三種不同情緒圖片刺激下,抑郁癥患者組的混亂度的變化率均大于健康對照組。另外發(fā)現(xiàn)抑郁癥患者組和健康對照組的微態(tài)序列都拒絕了低階（0階、1階和2階）馬爾科夫假設(shè),接受對稱性假設(shè),同時(shí)抑郁癥患者組在不同刺激下都拒絕了平穩(wěn)性假設(shè),而健康對照組僅在負(fù)性情緒圖片刺激下接受了平穩(wěn)性假設(shè)。第二、對抑郁癥腦磁圖的延遲時(shí)間互信息進(jìn)行研究,本文使用了延遲時(shí)間互信息作為評估相關(guān)性的標(biāo)準(zhǔn)。延遲時(shí)間互信息的實(shí)驗(yàn)結(jié)果表明,在中性情緒圖片刺激下,抑郁癥患者組在中央?yún)^(qū)和額區(qū)的延遲時(shí)間互信息遠(yuǎn)低于健康對照組,說明抑郁癥患者組在中央?yún)^(qū)和額區(qū)的腦磁圖信號的相關(guān)性小于健康對照組。另外發(fā)現(xiàn)在中性和負(fù)性情緒圖片刺激下,抑郁癥患者組的延遲時(shí)間互信息減小的速度慢于健康對照組,而在正性情緒圖片刺激下相反,這可能與抑郁癥患者對正性情緒圖片刺激不敏感有關(guān)。第三、對抑郁癥腦磁圖的長程相關(guān)性進(jìn)行研究,本文使用Hurst指數(shù)作為評估長程相關(guān)性的標(biāo)準(zhǔn)。長程相關(guān)性的實(shí)驗(yàn)結(jié)果表明,抑郁癥患者組和健康對照組的Hurst指數(shù)均大于0.5,說明它們都具有長程相關(guān)性,且表現(xiàn)為持續(xù)性特點(diǎn)。在中性情緒圖片刺激下,抑郁癥患者組在中央?yún)^(qū)、額區(qū)以及它們的左右部位的持續(xù)性強(qiáng)度均小于健康對照組。另外發(fā)現(xiàn)在不同情緒圖片刺激下,抑郁癥患者組的中央?yún)^(qū)和額區(qū)的左右部位的持續(xù)性強(qiáng)度具有明顯的強(qiáng)弱關(guān)系,而健康對照組沒有區(qū)分度。本文對抑郁癥患者組和健康對照組的腦磁圖的微態(tài)特征及相關(guān)性進(jìn)行對比,發(fā)現(xiàn)在中央?yún)^(qū)和額區(qū)的差異性明顯,且在中性情緒圖片刺激下最為顯著,說明基于腦磁圖的微態(tài)特征及相關(guān)性研究可以較好區(qū)別抑郁癥患者組和健康對照組,可以為抑郁癥的臨床診斷提供參考。
陸云[2]（2020）在《基于腦電的聽覺注意解碼與情緒識別的認(rèn)知計(jì)算研究》文中研究表明隨著智能科學(xué)的發(fā)展,人工智能技術(shù)已取得了日新月異的進(jìn)步,在一些應(yīng)用中,現(xiàn)有人工智能已展現(xiàn)出了超越人類的解決問題能力和技術(shù)優(yōu)勢。近年來運(yùn)用認(rèn)知計(jì)算進(jìn)行類腦人工智能技術(shù)開發(fā),成為了研究者關(guān)注的焦點(diǎn)?，F(xiàn)有的人工智能技術(shù),雖然借助大數(shù)據(jù)分析和以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)了一定程度的類腦智能,但依舊沒有獲得跨越式的技術(shù)發(fā)展。面對復(fù)雜聲音事件中聽覺識別、語音理解以及情感決策等任務(wù),現(xiàn)有的智能算法與信號處理技術(shù)依然表現(xiàn)得無能為力,而這些任務(wù)對人類而言人們憑借心理的覺察、注意、情緒認(rèn)知等智能,往往能夠輕易完成。這種認(rèn)知智能是現(xiàn)有人工智能技術(shù)還不能輕易達(dá)到的。本文以聽覺注意和心理情緒為研究對象,旨在從腦電活動(dòng)中探索心理狀態(tài)解碼的認(rèn)知計(jì)算方法,研究聽覺目標(biāo)注意識別、聽覺選擇性注意解碼和跨個(gè)體心理情緒狀態(tài)識別的認(rèn)知計(jì)算方法構(gòu)建與實(shí)現(xiàn)技術(shù),賦予認(rèn)知計(jì)算系統(tǒng)具有像人一樣的注意認(rèn)知智能和情緒感知智能,主要內(nèi)容如下:對腦電信號解碼方法展開了深入研究與分析。鑒于時(shí)間序列分解與重構(gòu)方法和熵測度相結(jié)合的技術(shù)優(yōu)勢能夠有效提高腦電信號解碼性能,本文利用奇異譜分析（SSA）和熵測度相結(jié)合的方法來構(gòu)建腦電信號解碼方法。所設(shè)計(jì)的腦電解碼方法先使用SSA方法從腦電信號中分解得到各階SSA分量;然后基于腦電信號SSA分量,采用熵測度方法進(jìn)行腦電熵特征提取;最后利用支持向量機(jī)作為模式分類器開展腦電信號解碼任務(wù)。實(shí)驗(yàn)采用不同眼睛狀態(tài)的腦電信號為例進(jìn)行腦電解碼性能測試。實(shí)驗(yàn)結(jié)果表明,所提出的腦電信號解碼方法有效地提高了腦電信號解碼的準(zhǔn)確率,實(shí)現(xiàn)了眼睛狀態(tài)的腦電識別任務(wù)的性能優(yōu)化。對熵測度快速計(jì)算方法展開了深入研究與分析。為了提高近似熵、樣本熵、多尺度熵等熵測度計(jì)算效率以增強(qiáng)其應(yīng)用潛力,本文利用向量不相似判定準(zhǔn)則來實(shí)現(xiàn)熵測度快速計(jì)算。該快速計(jì)算方法對熵測度計(jì)算步驟中最耗時(shí)的向量距離計(jì)算進(jìn)行優(yōu)化,通過構(gòu)建一個(gè)向量不相似判斷準(zhǔn)則,在向量距離計(jì)算開始前對不相似向量進(jìn)行預(yù)判斷。實(shí)驗(yàn)利用仿真信號和真實(shí)腦電數(shù)據(jù)展開樣本熵、近似熵、時(shí)移多尺度熵計(jì)算的時(shí)間性能測試,實(shí)驗(yàn)結(jié)果表明與傳統(tǒng)方法的熵測度計(jì)算相比較,該熵測度快速計(jì)算方法能顯著地降低算法的執(zhí)行時(shí)間,有效提高了熵測度計(jì)算效率。對基于單次腦電信號的聽覺注意解碼展開了深入研究。利用腦電熵測度與機(jī)器學(xué)習(xí)相結(jié)合的方法,基于單次腦電信號建立了一種聽覺目標(biāo)注意識別方法。實(shí)驗(yàn)設(shè)計(jì)了包含三種聽覺目標(biāo)注意狀態(tài)的聽覺實(shí)驗(yàn),采集了13名受試者的認(rèn)知腦電數(shù)據(jù)進(jìn)行研究。實(shí)驗(yàn)結(jié)果顯示這一方法能夠有效從單次腦電信號中實(shí)現(xiàn)聽覺目標(biāo)注意狀態(tài)識別。本文還利用深度LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種聽覺選擇性注意解碼方法。通過兩說話人雙耳分聽范式的聽覺實(shí)驗(yàn),采集了21名受試者的認(rèn)知腦電數(shù)據(jù)進(jìn)行實(shí)驗(yàn)研究。實(shí)驗(yàn)數(shù)據(jù)顯示所提出的方法對受試者聽覺選擇性注意的目標(biāo)語音識別,獲得優(yōu)異的識別準(zhǔn)確率。實(shí)驗(yàn)結(jié)果充分表明基于LSTM模型的聽覺選擇性注意解碼方法能夠從單次腦電信號中對聽覺選擇性注意實(shí)現(xiàn)高精度的解碼。對基于腦電信號的跨個(gè)體心理情緒狀態(tài)識別展開了深入研究。腦電情緒響應(yīng)的個(gè)體差異性容易導(dǎo)致情緒識別方法的普適性及泛化能力存在局限性,本文利用動(dòng)態(tài)樣本熵模式學(xué)習(xí)構(gòu)建了一種跨個(gè)體情緒識別方法。實(shí)驗(yàn)利用腦電情感數(shù)據(jù)集SEED對15名受試者開展跨個(gè)體情緒識別。通過與已有的相關(guān)研究結(jié)果比較,實(shí)驗(yàn)結(jié)果表明所提出的基于動(dòng)態(tài)樣本熵模式學(xué)習(xí)具有更有好的跨個(gè)體情緒識別性能,表現(xiàn)出了更好的普適性與泛化能力。所構(gòu)建的跨個(gè)體情緒狀態(tài)識別的認(rèn)知計(jì)算方法,實(shí)現(xiàn)了腦電情緒模式識別的優(yōu)化與創(chuàng)新,能夠從腦電信號中對人們的心理情緒狀態(tài)進(jìn)行有效預(yù)測。本文通過對聽覺注意與心理情緒狀態(tài)的腦電解碼研究,從腦電活動(dòng)中構(gòu)建了心理狀態(tài)解碼的認(rèn)知計(jì)算方法,能夠?qū)ο嚓P(guān)心理狀態(tài)進(jìn)行預(yù)測,可賦予認(rèn)知計(jì)算系統(tǒng)擁有像人一樣的注意認(rèn)知智能和情緒感知智能。
田永勝[3]（2020）在《基于稀疏共空間模式和正則化判別分析方法的腦電運(yùn)動(dòng)意圖識別研究》文中研究說明腦-機(jī)接口（BCI）是使人可以在跳過外圍神經(jīng)系統(tǒng)和肌肉的情況下,只需采集大腦發(fā)出的信號便可實(shí)現(xiàn)與計(jì)算機(jī)或者其他設(shè)備通信的系統(tǒng)。而諸如運(yùn)動(dòng)想象腦電信號（EEG）的主動(dòng)式腦電信號分類又是腦-機(jī)接口系統(tǒng)中的重要問題。但目前運(yùn)動(dòng)想象腦電信號等應(yīng)用仍然需要采集多通道的腦電信號并且識別準(zhǔn)確度往往難以達(dá)到要求。而腦電信號處理過程中預(yù)處理、特征提取以及任務(wù)分類都會影響到整個(gè)分類結(jié)果。本文以運(yùn)動(dòng)想象腦電信號為研究對象,通過實(shí)驗(yàn)分析確定了最佳預(yù)處理方法,并提出了腦電信號的稀疏特征提取和正則化的判別分析方法,最終提高整個(gè)判別系統(tǒng)的分類性能。論文的主要工作內(nèi)容如下:（1）通過查閱資料獲取公開數(shù)據(jù)集,并自主設(shè)計(jì)實(shí)驗(yàn)獲取到自主實(shí)驗(yàn)數(shù)據(jù)集,在這兩種數(shù)據(jù)集下展開研究。信號的預(yù)處理往往對信號的分類有著重要的影響,為此,本文分別對兩種數(shù)據(jù)集驗(yàn)證了不同方式的預(yù)處理方法,通過得到的結(jié)果選擇較優(yōu)的預(yù)處理手段對原始腦電信號進(jìn)行了相應(yīng)的濾波處理。（2）針對多通道腦電信號分類識別中各通道數(shù)據(jù)以及空間濾波器的數(shù)據(jù)選擇方面往往缺乏有效的策略這一問題,提出了一種新的特征提取算法:稀疏共空間模式（SCSP）算法。采用稀疏共空間模式可以有效克服傳統(tǒng)共空間模式（CSP）算法提取的特征向量空間會存在特征模式重復(fù)選取的問題,提取的特征差異更明顯。在公開數(shù)據(jù)集第Ⅳ屆BCI比賽數(shù)據(jù)集I上的實(shí)驗(yàn)結(jié)果驗(yàn)證了改進(jìn)算法那的有效性。（3）針對傳統(tǒng)線性判別分析方法無法處理的矩陣分解中遇到奇異值的問題,本文通過加入正則化參數(shù)形成正則化判別分析,克服了線性判別分析的不足并提高了分類任務(wù)準(zhǔn)確度,在公開數(shù)據(jù)集第Ⅳ屆BCI比賽數(shù)據(jù)集I和自主實(shí)驗(yàn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果都證明了改進(jìn)算法的有效性。
陳銳[4]（2020）在《運(yùn)動(dòng)想象腦電波數(shù)據(jù)分析》文中進(jìn)行了進(jìn)一步梳理準(zhǔn)確高效地對腦電信號（Electroencephalogram,EEG）進(jìn)行分析處理,對于探索大腦功能、治療腦科疾病和實(shí)現(xiàn)腦機(jī)接口具有重要的意義和價(jià)值。腦電信號處理的速率和準(zhǔn)確率是制約腦電技術(shù)研究和應(yīng)用的瓶頸,有鑒于此,本文對腦電波信號處理進(jìn)行了研究,利用支持向量機(jī)（Support Vector Machine,SVM）方法,并選取了線性、非線性以及多項(xiàng)式三種核函數(shù),分別計(jì)算了單次運(yùn)動(dòng)想象腦電波信號的分類準(zhǔn)確率。本文的主要內(nèi)容包括腦電信號的相關(guān)知識概述、實(shí)驗(yàn)、總結(jié)與展望三個(gè)板塊。其中第一板塊主要介紹了腦電信號的產(chǎn)生機(jī)制、采集方法和過程以及國內(nèi)外的研究進(jìn)展。第二個(gè)板塊實(shí)驗(yàn)與分析是本文的重點(diǎn)。實(shí)驗(yàn)采集了21位19-23歲的被試在想象向前、向后等五個(gè)不同方向運(yùn)動(dòng)時(shí)的腦電波信號,對采集到的信號進(jìn)行濾波、獨(dú)立成分分析以及手動(dòng)去噪等嚴(yán)格的預(yù)處理后,再利用SVM對數(shù)據(jù)進(jìn)行分類。SVM中三種不同的核函數(shù)分類結(jié)果可知,線性核函數(shù)的分類正確率為77%,一類錯(cuò)誤率為9%,二類錯(cuò)誤率為14%,相比非線性核函數(shù)和多項(xiàng)式核函數(shù)分類結(jié)果更好。因此,在使用SVM對運(yùn)動(dòng)想象腦電波數(shù)據(jù)進(jìn)行分類時(shí)可以選擇線性核函數(shù)。第三個(gè)板塊對本文進(jìn)行了全面的總結(jié),并對腦電信號的研究以及分類方法的發(fā)展進(jìn)行展望。
袁自震[5]（2019）在《基于改進(jìn)的排列熵和條件熵的抑郁癥腦磁圖研究》文中研究表明抑郁癥是一類情感障礙疾病,主要特點(diǎn)是情緒抑郁、悶悶不樂,它不僅會讓患者情緒低落,而且還會讓患者缺乏自信,并且在任何有趣的活動(dòng)中都無法體會到快樂。由于抑郁癥的發(fā)病機(jī)制、臨床診斷比較復(fù)雜,而腦磁圖是一種無侵襲,無損傷的腦功能檢測技術(shù),所以在抑郁癥的研究中,腦磁圖得到了廣泛的應(yīng)用。大腦是一個(gè)復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng),使用復(fù)雜度對腦磁圖信號進(jìn)行研究是非常有意義的。本文分別使用排列熵、改進(jìn)的排列熵、條件熵三種方法對健康樣本和抑郁癥患者在不同情緒圖片刺激下的腦磁圖信號進(jìn)行研究。第一、在使用排列熵分析腦磁圖數(shù)據(jù)的實(shí)驗(yàn)中,首先通過實(shí)驗(yàn)選取合適的參數(shù),結(jié)果證明嵌入維數(shù)取4的時(shí)候差異性最為明顯;然后對比正性、中性和負(fù)性情緒刺激下的健康樣本和抑郁癥患者的排列熵值發(fā)現(xiàn),健康人絕大多數(shù)通道的熵值都大于抑郁癥患者,并且額區(qū)的差異更為明顯,額區(qū)對應(yīng)的是大腦皮層的額葉前部,其主要功能是調(diào)節(jié)人的情緒,此結(jié)果說明抑郁癥患者對于情緒的調(diào)節(jié)能力相較于健康人來說還是有一定差異的。最后對比同一樣本在不同情緒刺激下的排列熵值發(fā)現(xiàn),抑郁癥患者在正性情緒刺激下的熵值大于負(fù)性情緒刺激下的熵值,且差異明顯。第二、使用改進(jìn)的排列熵算法研究腦磁圖信號的實(shí)驗(yàn)中,結(jié)果表明,健康人在正性、中性和負(fù)性情緒刺激下的改進(jìn)的排列熵值都要大于抑郁癥患者的排列熵值,額區(qū)的左右對稱通道能夠很好的區(qū)分出兩類實(shí)驗(yàn)對象,而且在大腦同一區(qū)域的非對稱通道中,右額區(qū)比左額區(qū)能更好的區(qū)分出健康樣本和抑郁癥患者,且健康樣本的改進(jìn)的排列熵值比患者大,說明健康人大腦的復(fù)雜度高于患者的復(fù)雜度。第三、使用條件熵算法研究腦磁圖信號的實(shí)驗(yàn)中,首先通過實(shí)驗(yàn)選取合適的參數(shù),然后分別計(jì)算在正性、中性和負(fù)性情緒刺激下健康人和抑郁癥患者的條件熵值以及同一實(shí)驗(yàn)對象在三種不同情緒刺激下的條件熵值,實(shí)驗(yàn)結(jié)果表明,健康人的絕大多數(shù)通道的條件熵值都比抑郁癥患者的熵值大,抑郁癥患者的大部分通道在正性情緒刺激下的熵值大于中性情緒刺激下的熵值,而中性情緒刺激下的熵值大于負(fù)性情緒刺激下的熵值,健康人的所有腦區(qū)的條件熵都比抑郁癥患者的大,并且兩類實(shí)驗(yàn)對象的條件熵在額區(qū)的差異最顯著。
肖征東[6]（2019）在《基于大鼠皮層鋒電位及LFP信號的急性疼痛解碼算法研究》文中提出大腦是神經(jīng)系統(tǒng)中的高級中樞,負(fù)責(zé)機(jī)體的一切認(rèn)知功能,而研究大腦的結(jié)構(gòu)和功能,則成為了當(dāng)前最熱門的科學(xué)領(lǐng)域。疼痛是一種復(fù)雜的感官體驗(yàn),也是困擾當(dāng)今人類健康最嚴(yán)重的問題。解碼疼痛神經(jīng)信號一直以來都是神經(jīng)科學(xué)領(lǐng)域重要的研究課題,它不僅能夠幫助人們理解大腦處理疼痛信號的機(jī)制,進(jìn)而推動(dòng)新的治療策略的產(chǎn)生,而且還將對臨床以及閉環(huán)腦機(jī)接口產(chǎn)生重要的指導(dǎo)意義和應(yīng)用價(jià)值。首先,針對從不同生理狀態(tài)下的大鼠上記錄得到的多模態(tài)的神經(jīng)信號,本文從多個(gè)角度對疼痛問題進(jìn)行了深入研究。通過將動(dòng)物行為與神經(jīng)生理記錄相結(jié)合,來識別假定的自發(fā)性疼痛事件,并在誘發(fā)性疼痛和自發(fā)性疼痛之間均發(fā)現(xiàn)了不同的多模態(tài)神經(jīng)響應(yīng):1)無論是正常還是處于慢性疼痛狀態(tài)下的大鼠,初級體感皮層（primary somatosensory cortex,S1）中幅相耦合（phase-amplitude coupling,PAC）程度要強(qiáng)于前扣帶皮層（anterior cingulate cortex,ACC）中的幅相耦合程度;2)在自發(fā)性疼痛期間,疼痛行為發(fā)生前S1中的 γ-ERS/ERD（event-relateddesynchronization/synchronization）與疼痛行為發(fā)生后的 ACC中的β-ERS/ERD相關(guān);3)在誘發(fā)性疼痛期間,ACC和S1中疼痛調(diào)制（pain-modulated）神經(jīng)元的發(fā)放率與由刺激誘發(fā)（stimulus-evoked）的事件相關(guān)電位（event-related potential,ERP）的振幅相關(guān);4)ACC和S1中的集群鋒電位和局部場電位（local field potential,LFP）為檢測疼痛信號提供了重要信息。這些結(jié)果共同表明,無論在LFP還是細(xì)胞層面上,誘發(fā)性疼痛和自發(fā)性疼痛之間都存在著截然不同的神經(jīng)機(jī)制,同樣也指出了 ACC和S1在疼痛過程中編碼作用的不同。其次,基于神經(jīng)元集群鋒電位數(shù)據(jù),在泊松動(dòng)態(tài)系統(tǒng)（poisson linear dynamic system,PLDS）模型的基礎(chǔ)上,本文從提高急性疼痛檢測精度的角度出發(fā),提出了一種稱之為”突變點(diǎn)檢測器集成”（ensemble of change-point detectors,ECPDs）的解碼算法。該算法利用集成學(xué)習(xí)的思想,通過整合一系列相互獨(dú)立的“弱”檢測器并制定多數(shù)投票機(jī)制來達(dá)到提升檢測精度的目的。在多個(gè)計(jì)算機(jī)仿真數(shù)據(jù)以及真實(shí)實(shí)驗(yàn)記錄數(shù)據(jù)的測試結(jié)果表明,本文提出的ECPDs的集成解碼算法的檢測性能要明顯優(yōu)于單檢測器的性能。最后,基于LFP信號,本文首先通過對不同生理狀態(tài)下大鼠的急性疼痛的強(qiáng)度進(jìn)行了解碼分析,證明了使用LFP信號來檢測急性疼痛的可行性。根據(jù)LFP信號中theta頻段和high-gamma頻段的功率特征在區(qū)分疼痛強(qiáng)度研究中所發(fā)揮的作用,本文還提出了一種基于穩(wěn)態(tài)卡爾曼濾波的檢測急性疼痛信號的方法,通過在多個(gè)實(shí)驗(yàn)記錄上進(jìn)行驗(yàn)證,平均真陽性率達(dá)到了 80%以上,假陽性率低于20%。
劉亞琳[7]（2019）在《基于遷移學(xué)習(xí)的腦磁圖解碼研究》文中提出腦機(jī)接口是在人類大腦與電子設(shè)備之間建立的一種不依賴于外圍神經(jīng)和肌肉組織的直接的通訊和控制通道。它讓人類通過腦信號同外界環(huán)境交流成為可能,讓人類不需要語言或者動(dòng)作而可以直接通過大腦來表達(dá)想法或操縱設(shè)備。腦磁圖正迅速成為不可或缺的非侵入式腦成像技術(shù)。通過使用專業(yè)的儀器,腦磁圖可以檢測大腦中神經(jīng)元群發(fā)出的微弱磁性活動(dòng),并且只有腦磁圖可以精確定位并記錄這些信號比地球磁場小約十億倍的毫秒級現(xiàn)象。傳統(tǒng)的腦磁圖解碼算法過分依賴于訓(xùn)練樣本的數(shù)量,以及訓(xùn)練樣本與測試樣本在相同特征空間中分布的一致性。實(shí)際應(yīng)用過程中,很難滿足以上條件,因此限制了不同受試者之間的訓(xùn)練數(shù)據(jù)或訓(xùn)練模型的可遷移性。本文針對上述問題,將遷移學(xué)習(xí)的思想應(yīng)用于跨受試者的腦磁圖解碼中。通過回顧在腦解碼中取得令人滿意的結(jié)果的遷移學(xué)習(xí)技術(shù),本文提出了三種跨受試者的腦磁圖解碼方法,具體研究內(nèi)容如下:本文根據(jù)黎曼流形上的點(diǎn)與切空間中切向量的對應(yīng)關(guān)系,在切空間中找到不同受試者腦磁圖樣本協(xié)方差陣特征之間相同的特征子空間進(jìn)行映射,實(shí)現(xiàn)了基于黎曼流形學(xué)習(xí)的跨受試者腦磁圖解碼。本文將每個(gè)受試者視為一項(xiàng)任務(wù),假設(shè)每個(gè)受試者的學(xué)習(xí)模型具有相同的結(jié)構(gòu),通過共享模型參數(shù)之間的先驗(yàn)分布信息,在基于貝葉斯的多任務(wù)學(xué)習(xí)框架的基礎(chǔ)上,提出了改進(jìn)的多任務(wù)學(xué)習(xí)框架。在黎曼流形學(xué)習(xí)和改進(jìn)的多任務(wù)學(xué)習(xí)框架的基礎(chǔ)上,本文提出一種聯(lián)合算法,通過結(jié)合黎曼流形學(xué)習(xí)的特征提取和多任務(wù)學(xué)習(xí)框架的分類過程,實(shí)現(xiàn)基于特征-模型的遷移,進(jìn)一步提高了跨受試者的腦磁圖解碼的性能。本文實(shí)驗(yàn)采用16個(gè)受試者在目標(biāo)視覺刺激檢測任務(wù)中的腦磁圖數(shù)據(jù)集,驗(yàn)證了以上三種算法的有效性。
何曦[8]（2019）在《腦波可視化技術(shù)的研究與實(shí)現(xiàn)》文中研究說明21世紀(jì)的重要科學(xué)技術(shù)包含了腦科學(xué)技術(shù)和計(jì)算機(jī)技術(shù)。隨著腦科學(xué)技術(shù)的進(jìn)步,人們對于大腦活動(dòng)的認(rèn)識不斷地深入。近年來,人們已經(jīng)能通過腦電波（Electroencephalogram,EEG）等腦波信號從腦電信號、腦磁信號等方面對于大腦活動(dòng)進(jìn)行直觀的了解。在這其中,由于其成本的低廉性和使用的方便性,腦電波信號已經(jīng)成為使用較為廣泛的方式。另一方面,隨著人工智能技術(shù)的理論突破,包括生成對抗網(wǎng)絡(luò)在內(nèi)的新技術(shù)被提出并迅速在各個(gè)領(lǐng)域中得到應(yīng)用。使用人工智能中的新算法、新模型用于腦波信號分析已經(jīng)成為一個(gè)方興未艾的具有希望的領(lǐng)域。我們的研究旨在將腦波信號可視化,從而探究人類認(rèn)識能力。文章的主要內(nèi)容如下:在腦電數(shù)據(jù)集的處理中,介紹了一些傳統(tǒng)方法,但是這些傳統(tǒng)方法不能較好地滿足需求,因此對其進(jìn)行了不同程度的改進(jìn)。然后介紹了本文用到的相關(guān)技術(shù),主要包括腦機(jī)接口技術(shù)、數(shù)據(jù)可視化技術(shù)、生成對抗網(wǎng)絡(luò)GAN等。在這其中,對腦機(jī)接口技術(shù)中的腦電波信號采集和基于腦電波信號的腦機(jī)接口進(jìn)行了介紹,以癲癇治療為例說明了腦電波信號的應(yīng)用。在數(shù)據(jù)集和相關(guān)技術(shù)的基礎(chǔ)上,訓(xùn)練了標(biāo)準(zhǔn)圖像分類器和腦電波分類器,這樣的目的是為了判別腦電波生成圖像的正確性,為腦電波生成實(shí)驗(yàn)打下較好的基礎(chǔ)。對EEG信號的處理及腦波可視化技術(shù)進(jìn)行了研究。由于EEG是非線性、非平穩(wěn)的隨機(jī)過程,因此在傳統(tǒng)信號處理方法中,引入了相關(guān)維度、熵、小波變換等多種數(shù)學(xué)技巧。值得說明的是,傳統(tǒng)方法也能夠?qū)崿F(xiàn)對例如癲癇等腦科疾病的實(shí)時(shí)檢查等醫(yī)療應(yīng)用。但是對于認(rèn)識意識等人類深層次的思維活動(dòng),傳統(tǒng)方式無法以直觀的方式顯示思維的內(nèi)容。在腦波可視化領(lǐng)域,介紹了發(fā)展迅速的生成對抗網(wǎng)絡(luò)GAN,采用適當(dāng)方式采集一定規(guī)格的腦電波信號,并以一定的損失函數(shù)及C+D+G的結(jié)構(gòu)訓(xùn)練GAN,其中C指已訓(xùn)練好的分類器,D指試圖鑒別真假圖片的鑒別器,G指試圖以高斯噪聲生成假圖片并欺騙鑒別網(wǎng)絡(luò)的生成器。值得一提的是采取了額外的高斯層以解決腦電波樣本集太小的問題。然后利用已經(jīng)訓(xùn)練好的標(biāo)準(zhǔn)圖像分類器對生成結(jié)果進(jìn)行檢驗(yàn),結(jié)果證明分類效果較好。達(dá)到實(shí)驗(yàn)預(yù)期。
常文文[9]（2019）在《面向腦機(jī)接口的多模態(tài)認(rèn)知隱藏信息特征檢測與識別研究》文中研究指明認(rèn)知隱藏信息檢測或測謊在國家安全、司法和職員篩選等領(lǐng)域有著特殊的作用。傳統(tǒng)的多導(dǎo)測試儀在一些國家的某些領(lǐng)域得到了較為普遍的應(yīng)用,但其科學(xué)性和有效性一直受到一些科學(xué)家的質(zhì)疑。要想將其作為法律依據(jù)獨(dú)立應(yīng)用于司法系統(tǒng)和國家安全領(lǐng)域,除了加強(qiáng)其測試?yán)碚摵头治龇椒ǖ难芯?同時(shí)更需要探索其他替代技術(shù)和改進(jìn)方法來提高檢測的準(zhǔn)確率和可靠性。近年來,隨著腦與認(rèn)知神經(jīng)科學(xué)研究方法及腦成像技術(shù)的發(fā)展,基于腦機(jī)接口（Brain Computer Interface,BCI）的認(rèn)知隱藏信息檢測技術(shù)得到了廣泛關(guān)注和快速發(fā)展。廣義上來講,認(rèn)知隱藏信息檢測通常指隱藏信息測試（Concealed Information Test,CIT）過程,是測謊的一種實(shí)現(xiàn)形式。說謊,其本質(zhì)來講是一種復(fù)雜的認(rèn)知過程,涉及一系列高級認(rèn)知功能。而腦機(jī)接口技術(shù)和腦成像分析方法能夠較為直觀地反映大腦的這種認(rèn)知活動(dòng),只有在對說謊對應(yīng)的腦工作機(jī)制和認(rèn)知過程有了充分的認(rèn)識之后,才有可能設(shè)計(jì)出更加有效的檢測系統(tǒng)。同時(shí),隨著機(jī)器學(xué)習(xí)算法的發(fā)展以及在人工智能中的應(yīng)用,將腦機(jī)接口技術(shù)與機(jī)器學(xué)習(xí)方法相結(jié)合,建立基于腦機(jī)接口的模式判別系統(tǒng)對隱藏信息的檢測具有十分重要的意義。本文基于腦機(jī)接口系統(tǒng)和實(shí)驗(yàn)室測謊范式,設(shè)計(jì)了基于視、聽、觸覺刺激的多模態(tài)隱藏信息檢測實(shí)驗(yàn),通過對全腦區(qū)多通道腦電（Electroencephalogram,EEG）信號的分析,從時(shí)、頻、空間域以及腦功能網(wǎng)絡(luò)連接的角度對說謊和真實(shí)狀態(tài)下的大腦活動(dòng)特征展開詳細(xì)研究,并結(jié)合模式識別算法完成對實(shí)驗(yàn)中說謊和真實(shí)狀態(tài)的分類識別。本文的主要工作和創(chuàng)新點(diǎn)體現(xiàn)在以下幾個(gè)方面:1、提出了基于多通道P300幅值幾何差的時(shí)域檢測方法和基于網(wǎng)絡(luò)結(jié)構(gòu)中“關(guān)鍵節(jié)點(diǎn)特征比”的空域檢測方法。為了研究隱藏信息檢測過程中說謊狀態(tài)對應(yīng)各腦區(qū)腦電信號的時(shí)-頻-空域特征,設(shè)計(jì)了面向腦機(jī)接口的視覺刺激隱藏信息檢測實(shí)驗(yàn),對說謊和真實(shí)狀態(tài)下的腦電信號展開全腦域分析。在時(shí)域幾何差的分析方法中,發(fā)現(xiàn)說謊組對應(yīng)靶刺激和無關(guān)刺激之間的幾何差明顯大于靶刺激和探測刺激之間的幾何差;而在真實(shí)組中,兩種差值之間并沒有發(fā)現(xiàn)顯著區(qū)別。在空間域的分析方法中,發(fā)現(xiàn)說謊組中靶刺激和無關(guān)刺激之間的關(guān)鍵節(jié)點(diǎn)特征比明顯不同于靶刺激和探測刺激之間的比值,但在真實(shí)組中并沒有如此明顯的差別。利用這些顯著差異便可實(shí)現(xiàn)對說謊和真實(shí)狀態(tài)的分類識別,實(shí)驗(yàn)結(jié)果表明這兩種方法都具有較高的識別正確率,驗(yàn)證了方法的有效性。2、提出了基于EEG二值網(wǎng)絡(luò)特征和支持向量機(jī)的隱藏信息檢測方法。為了對隱藏信息檢測過程中說謊狀態(tài)對應(yīng)腦功能網(wǎng)絡(luò)展開定量分析,從而實(shí)現(xiàn)檢測過程的計(jì)算機(jī)化,設(shè)計(jì)了新的面向腦機(jī)接口的視覺圖片刺激和聽覺音頻刺激檢測實(shí)驗(yàn),構(gòu)建了不同狀態(tài)下基于非線性相互依賴指數(shù)的二值網(wǎng)絡(luò),結(jié)合網(wǎng)絡(luò)特征參數(shù)和支持向量機(jī)實(shí)現(xiàn)對說謊和真實(shí)狀態(tài)的特征識別,測試結(jié)果得到了較高的分類正確率,證實(shí)該方法是可行有效的。對不同狀態(tài)網(wǎng)絡(luò)特征參數(shù)的對比分析發(fā)現(xiàn),在視覺和聽覺刺激作用下,腦功能網(wǎng)絡(luò)都表現(xiàn)出小世界特性,同時(shí)說謊狀態(tài)對應(yīng)網(wǎng)絡(luò)小世界特性增強(qiáng)。此外,還發(fā)現(xiàn)視覺刺激和聽覺刺激對應(yīng)檢測效果之間并沒有顯著的區(qū)別,但是視覺刺激的整體識別率要高于聽覺刺激。本文首次將腦功能網(wǎng)絡(luò)的分析方法應(yīng)用到隱藏信息檢測中,測試效果良好,為隱藏信息檢測和對應(yīng)腦認(rèn)知機(jī)制的研究提供了新的研究途徑和思路。3、提出了基于EEG加權(quán)網(wǎng)絡(luò)特征和量子神經(jīng)網(wǎng)絡(luò)分類器的檢測方法。二值網(wǎng)絡(luò)的主要缺點(diǎn)是通過閡值篩選之后網(wǎng)絡(luò)會丟失一些有價(jià)值的信息,而加權(quán)網(wǎng)絡(luò)能夠更加真實(shí)地表現(xiàn)網(wǎng)絡(luò)的連接關(guān)系?；谏鲜龆稻W(wǎng)絡(luò)研究結(jié)果,設(shè)計(jì)了面向腦機(jī)接口的視聽同步刺激隱藏信息檢測實(shí)驗(yàn),并完成同視覺刺激作用下測試效果的對比。通過相位延遲指數(shù)構(gòu)建不同狀態(tài)對應(yīng)的加權(quán)功能網(wǎng)絡(luò),此外本文提出了全局特征熵的概念,用以實(shí)現(xiàn)對全腦整體復(fù)雜度的定量表征。最后,本文設(shè)計(jì)并實(shí)現(xiàn)了量子門節(jié)點(diǎn)神經(jīng)網(wǎng)絡(luò)分類器,結(jié)合加權(quán)網(wǎng)絡(luò)特征參數(shù)和全局特征熵完成對隱藏信息的檢測。實(shí)驗(yàn)結(jié)果表明該方法也能較好地識別說謊和真實(shí)狀態(tài),驗(yàn)證了其有效性。對視聽同步和視覺刺激的對比分析發(fā)現(xiàn),結(jié)合視覺和聽覺刺激的測試效果要優(yōu)于單純的視覺刺激的效果,也為多模態(tài)刺激的融合提供了實(shí)驗(yàn)依據(jù)。4、構(gòu)建了熟人和陌生人信息誘發(fā)腦電信號對應(yīng)的因果網(wǎng)絡(luò),提出了基于網(wǎng)絡(luò)“流度比”的閾值選擇方法。大腦的認(rèn)知過程涉及不同腦區(qū)間的相互協(xié)調(diào)和配合,但在說謊過程中不同腦區(qū)間的信息具體是如何傳遞的,以及腦區(qū)間是否存在某種依賴關(guān)系,僅通過上述同步分析是無法解答的。隱藏信息檢測的主要依據(jù)是大腦對熟知的人物信息的反應(yīng)不同于對陌生人物信息的反應(yīng)。因此,基于上述實(shí)驗(yàn)中視聽同步刺激的測試數(shù)據(jù),分別對熟人和陌生人信息誘發(fā)腦電信號在Delta、Theta、Beta和Alpha四個(gè)波段內(nèi)使用傳遞熵構(gòu)建對應(yīng)的有向功能網(wǎng)絡(luò),通過計(jì)算各頻段內(nèi)對應(yīng)網(wǎng)絡(luò)節(jié)點(diǎn)的流度比實(shí)現(xiàn)對網(wǎng)絡(luò)的重點(diǎn)篩選,并完成對應(yīng)網(wǎng)絡(luò)特征量的對比分析。結(jié)果發(fā)現(xiàn)熟人和陌生人信息誘發(fā)有向功能網(wǎng)絡(luò)中核心節(jié)點(diǎn)的位置以及不同腦區(qū)間信息流向存在不同程度的差異,表明不同腦區(qū)對熟人信息的認(rèn)知參與程度不同于對陌生人信息的認(rèn)知參與過程。本文基于有向功能網(wǎng)絡(luò)特征的分析,對理解大腦對是否熟知的信息的認(rèn)知反映以及認(rèn)知過程中腦區(qū)間信息的流動(dòng)具有重要的現(xiàn)實(shí)意義,同時(shí)為探索除P300之外的其他波段信號在CIT中的應(yīng)用具有一定的借鑒意義。5、采用六種分別表征信號間時(shí)域和頻域、線性和非線性以及一般同步和相位同步的分析方法對隱藏信息檢測過程中說謊和真實(shí)狀態(tài)對應(yīng)網(wǎng)絡(luò)特征展開對比分析,找到適用于CIT中網(wǎng)絡(luò)構(gòu)建的最佳分析方法?？捎糜诠δ芫W(wǎng)絡(luò)構(gòu)建的同步性分析方法眾多,但不同方法其理論依據(jù)和計(jì)算過程各不相同,對同一組信號間依賴關(guān)系的表征因此也不盡相同,會對隱藏信息檢測的效果產(chǎn)生一定的影響。本文基于圖論理論,對面向腦機(jī)接口的隱藏信息檢測過程中說謊和真實(shí)狀態(tài)對應(yīng)不同腦網(wǎng)絡(luò)結(jié)構(gòu)展開對比分析。結(jié)果發(fā)現(xiàn),相比真實(shí)狀態(tài),網(wǎng)絡(luò)結(jié)構(gòu)在說謊狀態(tài)下連接強(qiáng)度增強(qiáng)、小世界特性增強(qiáng),兩種狀態(tài)間網(wǎng)絡(luò)特征參數(shù)表現(xiàn)出統(tǒng)計(jì)性顯著差異。此外,對比線性和非線性,以及時(shí)域和頻域分析方法對應(yīng)的網(wǎng)絡(luò)特征,發(fā)現(xiàn)這些方法之間并不存在顯著差異,而通過互信息構(gòu)建的功能網(wǎng)絡(luò)其特征量對兩種狀態(tài)的區(qū)別效果最佳。該結(jié)果為面向腦機(jī)接口的隱藏信息檢測中腦功能網(wǎng)絡(luò)構(gòu)建方法的選擇提供了重要參考。6、提出了面向腦機(jī)接口的視覺刺激和觸覺反饋的CIT分析方法。觸覺感知是人體除視聽感知之外的另一種非常重要的感知系統(tǒng),是實(shí)現(xiàn)腦機(jī)交互的一個(gè)重要感官通道,新一代面向腦機(jī)接口的隱藏信息檢測系統(tǒng)將是基于多刺激模態(tài)、結(jié)合虛擬現(xiàn)實(shí)技術(shù)和人工智能的綜合性測試系統(tǒng)。同時(shí)觸覺反饋刺激的引入對應(yīng)對反測謊CIT系統(tǒng)的設(shè)計(jì)具有一定的價(jià)值,因此首先需要清楚觸覺刺激作用下的腦認(rèn)知機(jī)理和信息處理過程。本文設(shè)計(jì)了單向感知的多穩(wěn)態(tài)觸覺刺激實(shí)驗(yàn)和人在回路中存在感知反饋的鄰近閾值觸覺刺激實(shí)驗(yàn),通過同步記錄觸覺刺激誘發(fā)的腦電信號實(shí)現(xiàn)對感知過程中大腦認(rèn)知特征的研究。結(jié)果發(fā)現(xiàn),在多穩(wěn)態(tài)觸覺感知實(shí)驗(yàn)中,并不存在不同感知狀態(tài)之間的腦神經(jīng)活動(dòng)差異;而鄰近閡值刺激實(shí)驗(yàn)?zāi)軌蜉^好地表現(xiàn)被試對觸覺刺激的感知過程,此外還發(fā)現(xiàn)大腦的感知狀態(tài)越確定,其活躍程度就越低?；谏鲜鼋Y(jié)論,本文將鄰近閾值觸覺刺激引入到面向腦機(jī)接口的視覺CIT實(shí)驗(yàn)中,通過在視覺刺激之前加入觸覺反饋來應(yīng)對檢測過程中可能出現(xiàn)的反測謊手段,實(shí)驗(yàn)結(jié)果表明,該實(shí)驗(yàn)?zāi)Ｊ皆趹?yīng)對反測試時(shí)有較好的效果,而觸覺刺激的加入并不影響大腦對隱藏信息的檢測過程,從而可提高CIT系統(tǒng)的穩(wěn)定性和可靠性。本文對面向腦機(jī)接口的隱藏信息檢測過程中腦電信號的時(shí)-頻-空域特征以及腦功能網(wǎng)絡(luò)結(jié)構(gòu)的研究,首次從全腦不同腦區(qū)的角度對說謊過程中腦神經(jīng)活動(dòng)開展了較為詳細(xì)的分析,對理解說謊過程對應(yīng)的大腦認(rèn)知機(jī)制具有重要的參考價(jià)值;同時(shí)對視、聽、觸覺刺激范式下的腦認(rèn)知活動(dòng)進(jìn)行了詳細(xì)分析,為面向腦機(jī)接口的多模態(tài)隱藏信息檢測系統(tǒng)開發(fā)提供了理論依據(jù)。同時(shí)本文提出的幾種隱藏信息檢測方法在理論研究和實(shí)際應(yīng)用中具有一定的借鑒意義和參考價(jià)值。
唐景昇[10]（2018）在《移動(dòng)機(jī)器人腦控關(guān)鍵技術(shù)研究》文中研究指明腦機(jī)接口（brain computer interface,BCI）是一種在大腦和機(jī)器之間直接建立信息傳輸通道的技術(shù),其發(fā)展的初衷是給喪失運(yùn)動(dòng)功能的用戶提供運(yùn)動(dòng)輔助從而提升他們的生活質(zhì)量。隨著技術(shù)的發(fā)展,能夠?yàn)榛颊咛峁┥现拖轮\(yùn)動(dòng)輔助的腦控機(jī)械臂和腦控輪椅均已出現(xiàn)。然而目前,這些系統(tǒng)在功能的完善度、人機(jī)交互的友好度、復(fù)雜場景的適應(yīng)度、服務(wù)用戶的智能度等方面仍然存在不足,急需要理論和技術(shù)上的深入研究支撐這門技術(shù)的實(shí)用化發(fā)展。針對此問題,本文提出了腦控移動(dòng)機(jī)器人系統(tǒng)架構(gòu),進(jìn)而圍繞腦控移動(dòng)機(jī)器人系統(tǒng)實(shí)現(xiàn)中涉及的混合腦機(jī)接口,異步腦機(jī)接口理論方法,人機(jī)共享自主性分析理論,人機(jī)協(xié)同設(shè)計(jì)等理論方法,以及實(shí)現(xiàn)腦控移動(dòng)機(jī)器人系統(tǒng)的集成與管理等技術(shù)問題,開展了細(xì)致的研究,本文的主要內(nèi)容如下:1.對腦控移動(dòng)平臺進(jìn)行了軟硬件優(yōu)化設(shè)計(jì),通過集成基于全向移動(dòng)底盤的輪椅、靈巧機(jī)械臂、Kinect攝像頭、超聲波傳感器和激光雷達(dá)等,構(gòu)建了一個(gè)具有環(huán)境感知能力的載人機(jī)器人平臺;系統(tǒng)各個(gè)功能模塊在機(jī)器人操作系統(tǒng)（robot operating system,ROS）下實(shí)現(xiàn),確保系統(tǒng)可靠、高效運(yùn)行。另外,面向腦機(jī)接口-機(jī)器人應(yīng)用程序的開發(fā),設(shè)計(jì)了BCI-ROS編程框架。該框架遵守機(jī)器人操作系統(tǒng)通訊協(xié)議,設(shè)計(jì)了EEG信號傳輸?shù)娜蒎e(cuò)糾錯(cuò)機(jī)制、優(yōu)化了信號標(biāo)記與EEG信號之間的同步以及GUI程序的設(shè)計(jì)優(yōu)化等,改善了程序框架運(yùn)行的效率和穩(wěn)定性,為本文進(jìn)行移動(dòng)機(jī)器人腦機(jī)操控技術(shù)研究奠定了基礎(chǔ)。2.圍繞P300腦機(jī)接口的優(yōu)化設(shè)計(jì)進(jìn)行了研究,主要包括異步P300-BCI優(yōu)化設(shè)計(jì)和快速P300-BCI的設(shè)計(jì)。其中在異步P300-BCI的優(yōu)化設(shè)計(jì)方面,建立了異步P300-BCI的實(shí)際信息傳輸率（asynchronous-BCI practical information transfer rate,APITR）計(jì)算方法,確立了異步腦機(jī)接口性能優(yōu)化目標(biāo),設(shè)計(jì)了以APITR為優(yōu)化目標(biāo)的多參數(shù)優(yōu)化方法。該方法為異步P300-BCI的設(shè)計(jì)提供給了規(guī)范和科學(xué)的方法,實(shí)驗(yàn)測試結(jié)果表明,使用該方法標(biāo)定的分類器在性能上最高有20%左右的提升;在快速P300-BCI設(shè)計(jì)方面,針對基于oddball范式的P300腦機(jī)接口存在更新命令慢,響應(yīng)延遲大的問題,提出使用定序（定序+隨機(jī)序混合）的編碼序列,并在此基礎(chǔ)上使用滑動(dòng)窗截取信號,再結(jié)合多尺度動(dòng)態(tài)分類器,構(gòu)建了一個(gè)能夠以0.2秒的速度更新命令的范式。該范式能夠?yàn)橛脩籼峁┘磿r(shí)的反饋,且能夠在一定程序減少系統(tǒng)輸出延遲。基于該范式的腦控機(jī)器人模擬控制實(shí)驗(yàn)結(jié)果表明該方式確實(shí)可以應(yīng)用于實(shí)際系統(tǒng)的控制。3.綜合運(yùn)用異步、混合腦機(jī)接口技術(shù),共享控制等方法,建立了具有較強(qiáng)通過能力的腦控機(jī)器人移動(dòng)操控系統(tǒng)和智能、全面的腦控機(jī)器人系統(tǒng)。其中針對傳統(tǒng)腦控輪椅通過能力差的問題,設(shè)計(jì)了混合腦機(jī)接口、電子按鈕識別操作模塊和移動(dòng)導(dǎo)航輔助模塊,構(gòu)建了有較強(qiáng)通行能力的腦控機(jī)器人操控系統(tǒng)。該系統(tǒng)允許用戶獨(dú)立駕駛機(jī)器人在室內(nèi)外、樓上下之間移動(dòng)導(dǎo)航,相比較現(xiàn)有的研究有較大的突破。該系統(tǒng)靈活處理輪椅駕駛和機(jī)械臂操控的特點(diǎn),設(shè)計(jì)了運(yùn)動(dòng)想象BCI與P300-BCI融合的混合腦機(jī)接口和靈活的融合工作機(jī)制,保障了較好的用戶體驗(yàn)和確保兩種腦機(jī)接口安全協(xié)同地工作。在此基礎(chǔ)上,研究進(jìn)一步升級,我們在系統(tǒng)中引入了基于深度學(xué)習(xí)的目標(biāo)識別算法、計(jì)算機(jī)視覺等算法識別、定位、跟蹤場景中的目標(biāo);設(shè)計(jì)了決策輔助模塊“聰明”地輔助用戶快速決策;建立了基于動(dòng)態(tài)地圖的導(dǎo)航模塊,允許系統(tǒng)可以工作在非合作和動(dòng)態(tài)的環(huán)境;三名康復(fù)醫(yī)院的病人和四名健康的被試測試了該系統(tǒng),并完成了所有的測試任務(wù)。實(shí)驗(yàn)結(jié)果證明該系統(tǒng)能夠快速部署在不同的環(huán)境且工作可靠穩(wěn)定,能為用戶提巡航移動(dòng)、目標(biāo)操作等全面的生活輔助,是一種完整、智能和友好的腦控機(jī)器人系統(tǒng)。總體來看,本文圍繞腦控移動(dòng)機(jī)器人系統(tǒng)實(shí)現(xiàn),從理論、方法、技術(shù)等多個(gè)層次開展了系統(tǒng)的研究。設(shè)計(jì)的BCI-ROS編程框架輕巧、高效,為腦機(jī)接口-機(jī)器人應(yīng)用程序設(shè)計(jì)增添了一個(gè)高效的開發(fā)工具;研究的異步和快速P300腦機(jī)接口能夠在實(shí)際應(yīng)用中更好地發(fā)揮作用;實(shí)現(xiàn)的的智能腦控機(jī)器人高效、智能、友好,是較為實(shí)用的運(yùn)動(dòng)輔助系統(tǒng)。
二、現(xiàn)代信號處理理論在腦磁研究中的應(yīng)用（論文開題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過調(diào)查文獻(xiàn)來獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對研究對象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認(rèn)識進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對某一課題進(jìn)行研究。
功能分析法：這是社會科學(xué)用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過創(chuàng)設(shè)一個(gè)與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、現(xiàn)代信號處理理論在腦磁研究中的應(yīng)用（論文提綱范文）
（1）抑郁癥腦磁圖的微態(tài)特征及相關(guān)性研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 抑郁癥腦磁圖的研究現(xiàn)狀 |
| 1.2.2 腦磁圖微態(tài)特征及相關(guān)性的研究現(xiàn)狀 |
| 1.3 論文主要結(jié)構(gòu) |
| 第二章 相關(guān)背景及理論知識介紹 |
| 2.1 腦部結(jié)構(gòu) |
| 2.2 腦磁圖信號簡介 |
| 2.2.1 腦磁圖信號的產(chǎn)生及優(yōu)缺點(diǎn) |
| 2.2.2 腦磁圖信號的測量 |
| 2.2.3 腦磁圖的臨床應(yīng)用 |
| 2.3 實(shí)驗(yàn)數(shù)據(jù)介紹 |
| 2.3.1 實(shí)驗(yàn)對象 |
| 2.3.2 實(shí)驗(yàn)數(shù)據(jù)采集 |
| 2.3.3 實(shí)驗(yàn)數(shù)據(jù)結(jié)構(gòu)及特征 |
| 2.4 算法基礎(chǔ) |
| 2.4.1 KMeans算法 |
| 2.4.2 AAHC算法 |
| 2.4.3 KMedoids算法 |
| 2.4.4 PCA算法 |
| 2.4.5 ICA算法 |
| 2.5 本章小結(jié) |
| 第三章 抑郁癥腦磁圖的微態(tài)特征研究 |
| 3.1 微態(tài)特征信息理論基礎(chǔ) |
| 3.1.1 GEV指數(shù) |
| 3.1.2 信息熵及熵率 |
| 3.2 腦磁圖的微態(tài)處理及優(yōu)點(diǎn) |
| 3.2.1 腦磁圖的微態(tài)處理 |
| 3.2.2 微態(tài)分析的優(yōu)點(diǎn) |
| 3.3 微態(tài)特征的實(shí)驗(yàn)結(jié)果及分析 |
| 3.3.1 GEV值 |
| 3.3.2 熵 |
| 3.3.3 熵率 |
| 3.3.4 信息理論特征 |
| 3.3.5 實(shí)驗(yàn)分析 |
| 3.4 本章小結(jié) |
| 第四章 抑郁癥腦磁圖的延遲時(shí)間互信息研究 |
| 4.1 延時(shí)互信息及實(shí)驗(yàn)流程 |
| 4.1.1 延時(shí)互信息 |
| 4.1.2 實(shí)驗(yàn)流程 |
| 4.2 替代數(shù)據(jù)的構(gòu)建及特征檢驗(yàn) |
| 4.2.1 替代數(shù)據(jù)的構(gòu)建 |
| 4.2.2 特征檢驗(yàn) |
| 4.3 延時(shí)互信息的實(shí)驗(yàn)結(jié)果及分析 |
| 4.3.1 不同情緒圖片刺激下的延時(shí)互信息 |
| 4.3.2 不同腦區(qū)的延時(shí)互信息 |
| 4.3.3 左右半球的延時(shí)互信息 |
| 4.3.4 所有實(shí)驗(yàn)對象的延時(shí)互信息 |
| 4.3.5 實(shí)驗(yàn)分析 |
| 4.4 本章小結(jié) |
| 第五章 抑郁癥腦磁圖的長程相關(guān)性研究 |
| 5.1 Hurst指數(shù)的評估 |
| 5.1.1 R/S方法 |
| 5.1.2 DFA方法 |
| 5.2 Hurst指數(shù)性質(zhì) |
| 5.3 長程相關(guān)性的實(shí)驗(yàn)結(jié)果及分析 |
| 5.3.1 不同腦區(qū)的長程相關(guān)性 |
| 5.3.2 左右半球的長程相關(guān)性 |
| 5.3.3 所有實(shí)現(xiàn)對象的長程相關(guān)性 |
| 5.3.4 實(shí)驗(yàn)分析 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 附錄1 攻讀碩士學(xué)位期間撰寫的論文 |
| 附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目 |
| 致謝 |
（2）基于腦電的聽覺注意解碼與情緒識別的認(rèn)知計(jì)算研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 主要縮寫和符號 |
| 第1章 緒論 |
| 1.1 課題的研究背景 |
| 1.1.1 認(rèn)知計(jì)算 |
| 1.1.2 聽覺注意 |
| 1.1.3 情緒與情感 |
| 1.2 課題研究的目的及意義 |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 聽覺注意解碼及其相關(guān)研究的發(fā)展概況 |
| 1.3.2 心理情緒狀態(tài)識別及其相關(guān)研究的發(fā)展概況 |
| 1.4 現(xiàn)有相關(guān)研究工作的評述 |
| 1.5 本文主要研究內(nèi)容 |
| 第2章 基于奇異譜分析和熵測度的腦電信號解碼方法研究 |
| 2.1 引言 |
| 2.2 基于腦電的心理狀態(tài)解碼主要原理 |
| 2.2.1 腦電信號解碼的基本框架 |
| 2.2.2 腦電熵特征 |
| 2.2.3 機(jī)器學(xué)習(xí) |
| 2.2.4 性能度量 |
| 2.3 基于熵測度的腦電信號解碼方法 |
| 2.4 基于SSA和熵測度相結(jié)合的腦電信號解碼方法 |
| 2.4.1 所提出的腦電信號解碼算法的系統(tǒng)框圖 |
| 2.4.2 奇異譜分析 |
| 2.4.3 腦電信號的SSA分解與重構(gòu) |
| 2.4.4 基于SSA方法和熵測度的腦電熵特征提取 |
| 2.4.5 模式分類器 |
| 2.5 算法性能測試 |
| 2.5.1 實(shí)驗(yàn)設(shè)置 |
| 2.5.2 腦電熵特征的統(tǒng)計(jì)分析 |
| 2.5.3 眼睛狀態(tài)的腦電識別結(jié)果 |
| 2.6 本章小結(jié) |
| 第3章 基于向量不相似判定準(zhǔn)則的熵測度快速算法研究 |
| 3.1 引言 |
| 3.2 熵測度方法的應(yīng)用缺點(diǎn) |
| 3.3 熵測度快速計(jì)算方法研究現(xiàn)狀 |
| 3.4 利用VDS判定準(zhǔn)則實(shí)現(xiàn)熵測度快速計(jì)算 |
| 3.4.1 熵測度計(jì)算流程分析 |
| 3.4.2 向量不相似判定準(zhǔn)則 |
| 3.4.3 基于VDS方法的樣本熵加速計(jì)算算法 |
| 3.4.4 不相似向量的占比分析 |
| 3.5 算法性能測試 |
| 3.5.1 實(shí)驗(yàn)設(shè)置 |
| 3.5.2 仿真信號的樣本熵計(jì)算結(jié)果與討論 |
| 3.5.3 腦電信號的樣本熵計(jì)算結(jié)果與討論 |
| 3.5.4 時(shí)移多尺度熵和近似熵計(jì)算結(jié)果與討論 |
| 3.5.5 算法參數(shù)對熵測度計(jì)算效率的影響 |
| 3.6 本章小結(jié) |
| 第4章 利用單次腦電實(shí)現(xiàn)聽覺注意解碼的認(rèn)知計(jì)算 |
| 4.1 引言 |
| 4.2 聽覺注意與神經(jīng)影像學(xué)證據(jù) |
| 4.2.1 聽覺感知與選擇性注意 |
| 4.2.2 基于對象的聽覺注意 |
| 4.3 基于熵測度和機(jī)器學(xué)習(xí)的聽覺目標(biāo)注意識別 |
| 4.3.1 聽覺目標(biāo)注意的實(shí)驗(yàn)方案 |
| 4.3.2 研究方法 |
| 4.3.3 實(shí)驗(yàn)結(jié)果與分析 |
| 4.4 基于LSTM模型的聽覺選擇性注意解碼 |
| 4.4.1 聽覺選擇性注意的實(shí)驗(yàn)方案 |
| 4.4.2 研究方法 |
| 4.4.3 實(shí)驗(yàn)結(jié)果 |
| 4.5 本章小結(jié) |
| 第5章 動(dòng)態(tài)熵模式學(xué)習(xí)實(shí)現(xiàn)跨個(gè)體情緒識別的認(rèn)知計(jì)算 |
| 5.1 引言 |
| 5.2 基于生理信號情緒識別的研究難點(diǎn) |
| 5.3 基于熵測度的腦電情緒模式學(xué)習(xí) |
| 5.4 基于動(dòng)態(tài)熵模式學(xué)習(xí)的心理情緒狀態(tài)識別 |
| 5.4.1 跨個(gè)體情緒效價(jià)識別的系統(tǒng)框圖 |
| 5.4.2 情緒腦電數(shù)據(jù) |
| 5.4.3 動(dòng)態(tài)樣本熵 |
| 5.4.4 特征降維 |
| 5.4.5 模式分類器 |
| 5.5 實(shí)驗(yàn)結(jié)果與討論 |
| 5.5.1 腦電動(dòng)態(tài)樣本熵的統(tǒng)計(jì)分析 |
| 5.5.2 腦電動(dòng)態(tài)樣本熵的時(shí)域剖面分析 |
| 5.5.3 跨個(gè)體情緒效價(jià)識別的結(jié)果 |
| 5.6 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間發(fā)表的論文及其它成果 |
| 致謝 |
| 個(gè)人簡歷 |
（3）基于稀疏共空間模式和正則化判別分析方法的腦電運(yùn)動(dòng)意圖識別研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景與意義 |
| 1.1.1 腦-機(jī)接口技術(shù)的概念及研究意義 |
| 1.1.2 腦-機(jī)接口系統(tǒng)的基本組成 |
| 1.1.3 腦-機(jī)接口技術(shù)的分類 |
| 1.2 腦-機(jī)接口技術(shù)的研究現(xiàn)狀 |
| 1.2.1 腦-機(jī)接口研究現(xiàn)狀 |
| 1.2.2 腦電信號分類識別算法研究現(xiàn)狀 |
| 1.3 本文的主要研究內(nèi)容與安排 |
| 第2章 腦電信號的理論基礎(chǔ) |
| 2.1 腦電信號的概述 |
| 2.1.1 腦電信號的產(chǎn)生 |
| 2.1.2 EEG的特點(diǎn) |
| 2.1.3 EEG的分類 |
| 2.1.4 運(yùn)動(dòng)想象及運(yùn)動(dòng)想象腦電 |
| 2.2 基于共空間模式的特征提取算法 |
| 2.3 基于Fisher判別分析的任務(wù)分類算法 |
| 2.4 本章小結(jié) |
| 第3章 腦電信號的預(yù)處理 |
| 3.1 運(yùn)動(dòng)想象腦電數(shù)據(jù) |
| 3.1.1 第Ⅳ屆BCI比賽數(shù)據(jù)集I |
| 3.1.2 自主實(shí)驗(yàn)數(shù)據(jù)集 |
| 3.2 腦電信號的時(shí)頻濾波預(yù)處理 |
| 3.3 空間濾波的預(yù)處理方法 |
| 3.4 實(shí)驗(yàn)分析 |
| 3.4.1 實(shí)驗(yàn)數(shù)據(jù) |
| 3.4.2 μ節(jié)律和β節(jié)律頻段的腦電信號分類結(jié)果比較 |
| 3.4.3 不同空間濾波的預(yù)處理對腦電信號分類結(jié)果的影響 |
| 3.5 本章小結(jié) |
| 第4章 基于稀疏CSP的特征提取改進(jìn)算法研究 |
| 4.1 引言 |
| 4.2 腦電數(shù)據(jù)特征選擇與優(yōu)化 |
| 4.2.1 基于廣義瑞利商的CSP算法 |
| 4.2.2 基于稀疏算法的特征向量空間求取 |
| 4.3 腦電數(shù)據(jù)的分類判別 |
| 4.4 實(shí)驗(yàn)分析 |
| 4.4.1 數(shù)據(jù)來源 |
| 4.4.2 分類結(jié)果評價(jià) |
| 4.4.3 最佳稀疏度的確定 |
| 4.4.4 不同稀疏模式下的CSP實(shí)驗(yàn)結(jié)果對比 |
| 4.4.5 特征可分性 |
| 4.5 結(jié)果分析 |
| 4.6 本章小結(jié) |
| 第5章 基于RDA的分類準(zhǔn)確度提升研究 |
| 5.1 引言 |
| 5.2 判別分析方法 |
| 5.2.1 稀疏共空間模式用于特征提取 |
| 5.2.2 正則化判別分析用于任務(wù)分類 |
| 5.3 數(shù)據(jù)和實(shí)驗(yàn) |
| 5.3.1 數(shù)據(jù)來源 |
| 5.3.2 算法性能分析 |
| 5.4 結(jié)果分析 |
| 5.5 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果 |
| 致謝 |
（4）運(yùn)動(dòng)想象腦電波數(shù)據(jù)分析（論文提綱范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 緒論 |
| 1.1 課題研究背景 |
| 1.2 課題的研究現(xiàn)狀和研究意義 |
| 1.3 論文主要研究工作和內(nèi)容安排 |
| 1.4 本章小結(jié) |
| 2 腦電信號基礎(chǔ)理論 |
| 2.1 腦電信號的產(chǎn)生機(jī)制與采集方法 |
| 2.1.1 腦電信號的產(chǎn)生 |
| 2.1.2 腦電信號的采集 |
| 2.1.3 電極的數(shù)量和位置 |
| 2.2 腦電信號的特征 |
| 2.3 實(shí)際研究中對腦電信號的分類 |
| 2.4 本章小結(jié) |
| 3 腦電信號的分析處理方法 |
| 3.1 噪音信號的預(yù)處理方法 |
| 3.2 傳統(tǒng)的時(shí)頻分析 |
| 3.2.1 時(shí)域分析 |
| 3.2.2 頻域分析 |
| 3.3 特征選擇與特征提取方法 |
| 3.4 常用的腦電信號分類算法 |
| 3.4.1 傳統(tǒng)的分類方法 |
| 3.4.2 現(xiàn)代分類方法 |
| 3.5 腦電信號的其他分類方法 |
| 3.5.1 多標(biāo)簽分類器 |
| 3.5.2 以小數(shù)據(jù)訓(xùn)練集的分類器 |
| 3.6 本章小結(jié) |
| 4 基于運(yùn)動(dòng)想象的腦電波信號數(shù)據(jù)分析 |
| 4.1 運(yùn)動(dòng)想象腦電信號的產(chǎn)生機(jī)制 |
| 4.1.1 誘發(fā)腦電信號 |
| 4.1.2 自發(fā)腦電 |
| 4.1.3 自發(fā)腦電與誘發(fā)腦電的區(qū)別 |
| 4.2 運(yùn)用NeuroScan對運(yùn)動(dòng)想象腦電信號的采集 |
| 4.2.1 實(shí)驗(yàn)準(zhǔn)備 |
| 4.2.2 刺激程序設(shè)計(jì) |
| 4.2.3 腦電信號數(shù)據(jù)采集 |
| 4.3 基于ICA的腦電信號預(yù)處理 |
| 4.3.1 頻譜分析 |
| 4.3.2 數(shù)據(jù)濾波 |
| 4.3.3 基于ICA的噪音信號處理 |
| 4.4 利用EEGLAB提取特征信號 |
| 4.5 基于三種SVM核函數(shù)的運(yùn)動(dòng)想象腦電信號分類 |
| 4.5.1 SVM算法及原理 |
| 4.5.2 SVM分類結(jié)果 |
| 4.5.3 實(shí)驗(yàn)結(jié)果分析與討論 |
| 4.6 本章小結(jié) |
| 5 結(jié)論與展望 |
| 參考文獻(xiàn) |
| 附錄 |
| 致謝 |
| 攻讀碩士學(xué)位期間主要研究成果 |
（5）基于改進(jìn)的排列熵和條件熵的抑郁癥腦磁圖研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及研究意義 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 國內(nèi)外抑郁癥研究現(xiàn)狀 |
| 1.2.2 抑郁癥腦磁圖的研究現(xiàn)狀 |
| 1.3 論文主要結(jié)構(gòu) |
| 第二章 相關(guān)背景知識介紹 |
| 2.1 腦的組織結(jié)構(gòu) |
| 2.2 腦磁圖相關(guān)知識介紹 |
| 2.2.1 腦磁圖的優(yōu)點(diǎn)及缺點(diǎn) |
| 2.2.2 腦磁圖信號發(fā)生的生理學(xué)機(jī)制 |
| 2.2.3 腦磁圖信號的產(chǎn)生 |
| 2.2.4 腦磁圖信號的測量和處理 |
| 2.2.5 腦磁圖在臨床醫(yī)學(xué)上的應(yīng)用 |
| 2.3 復(fù)雜度的簡單介紹 |
| 2.3.1 排列熵算法基礎(chǔ)知識介紹 |
| 2.3.2 改進(jìn)的排列熵算法基礎(chǔ)知識介紹 |
| 2.3.3 條件熵的算法基礎(chǔ) |
| 2.4 本章小結(jié) |
| 第三章 基于排列熵的抑郁癥腦磁圖研究 |
| 3.1 相空間重構(gòu)及排列熵算法優(yōu)點(diǎn) |
| 3.1.1 相空間重構(gòu) |
| 3.1.2 排列熵算法的優(yōu)點(diǎn) |
| 3.2 實(shí)驗(yàn)數(shù)據(jù)來源 |
| 3.3 實(shí)驗(yàn)結(jié)果及分析 |
| 3.3.1 不同嵌入維數(shù) |
| 3.3.2 不同情緒圖片刺激下的排列熵分布 |
| 3.3.3 不同腦區(qū)的排列熵差異對比 |
| 3.3.4 某一通道下的排列熵值 |
| 3.3.5 實(shí)驗(yàn)分析 |
| 3.4 本章小結(jié) |
| 第四章 基于改進(jìn)的排列熵的抑郁癥腦磁圖研究 |
| 4.1 改進(jìn)的排列熵的性質(zhì)及參數(shù)選取 |
| 4.1.1 改進(jìn)的排列熵的性質(zhì) |
| 4.1.2 參數(shù)選取 |
| 4.2 實(shí)驗(yàn)結(jié)果及分析 |
| 4.2.1 不同情緒圖片刺激下的改進(jìn)的排列熵分布 |
| 4.2.2 對稱通道下的改進(jìn)的排列熵 |
| 4.2.3 非對稱通道下的改進(jìn)的排列熵 |
| 4.2.4 同一樣本在不同情緒刺激下的改進(jìn)的排列熵 |
| 4.2.5 不同腦區(qū)的改進(jìn)的排列熵差異對比 |
| 4.2.6 所有實(shí)驗(yàn)對象的改進(jìn)的排列熵 |
| 4.3 排列熵和改進(jìn)的排列熵的比較 |
| 4.4 本章小結(jié) |
| 第五章 基于條件熵的抑郁癥腦磁圖研究 |
| 5.1 條件熵算法的優(yōu)點(diǎn)和性質(zhì) |
| 5.1.1 條件熵的優(yōu)點(diǎn) |
| 5.1.2 條件熵的性質(zhì) |
| 5.2 條件熵參數(shù)選取 |
| 5.3 條件熵在抑郁癥腦磁圖中的應(yīng)用 |
| 5.3.1 不同情緒刺激下的條件熵分布 |
| 5.3.2 同一樣本在不同情緒刺激下的條件熵分布 |
| 5.3.3 不同腦區(qū)的條件熵差異對比 |
| 5.3.4 改進(jìn)的排列熵和條件熵的比較 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 附錄1 攻讀碩士學(xué)位期間撰寫的論文 |
| 附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目 |
| 致謝 |
（6）基于大鼠皮層鋒電位及LFP信號的急性疼痛解碼算法研究（論文提綱范文）
| 致謝 |
| 摘要 |
| Abstract |
| 縮寫、符號清單、術(shù)語表 |
| 第1章 緒論 |
| 1.1 選題的意義 |
| 1.2 疼痛及動(dòng)物模型介紹 |
| 1.2.1 疼痛的定義 |
| 1.2.2 疼痛的分類 |
| 1.2.3 疼痛的傳導(dǎo)通路 |
| 1.2.4 動(dòng)物模型 |
| 1.3 腦神經(jīng)信號處理 |
| 1.3.1 采集和刺激技術(shù) |
| 1.3.2 方法及應(yīng)用 |
| 1.4 主要研究內(nèi)容及論文組織結(jié)構(gòu) |
| 1.4.1 主要研究內(nèi)容 |
| 1.4.2 論文的組織結(jié)構(gòu) |
| 第2章 大鼠誘發(fā)性疼痛和自發(fā)性疼痛下的多模態(tài)神經(jīng)響應(yīng)研究 |
| 2.1 材料與方法 |
| 2.1.1 實(shí)驗(yàn)動(dòng)物與方案 |
| 2.1.2 CFA模型和SNI模型 |
| 2.1.3 電極植入與電生理記錄 |
| 2.1.4 ERP和疼痛調(diào)制神經(jīng)元的識別 |
| 2.1.5 功率譜和時(shí)頻分析 |
| 2.1.6 跨頻率幅相耦合(PAC)分析 |
| 2.1.7 基于SVM的自發(fā)性疼痛判別 |
| 2.2 實(shí)驗(yàn)結(jié)果 |
| 2.2.1 實(shí)驗(yàn)數(shù)據(jù)概述 |
| 2.2.2 動(dòng)物行為分析 |
| 2.2.3 ACC鋒電位活動(dòng)的變化 |
| 2.2.4 LFP功率譜分析 |
| 2.2.5 幅相耦合(PAC)分析 |
| 2.2.6 LFP功率分析 |
| 2.2.7 鋒電位-LFP相干分析 |
| 2.2.8 疼痛信號解碼 |
| 2.3 討論 |
| 2.4 本章小結(jié) |
| 第3章 基于集群鋒電位信號的急性疼痛解碼算法的研究 |
| 3.1 材料與方法 |
| 3.1.1 動(dòng)物行為與生理記錄 |
| 3.1.2 基于模型的突變點(diǎn)檢測方法 |
| 3.1.3 突變點(diǎn)檢測器集成(ECPDs) |
| 3.1.4 雙腦區(qū)的整合 |
| 3.1.5 緩沖窗口的大小 |
| 3.1.6 鋒電位與LFP的整合 |
| 3.2 實(shí)驗(yàn)觀察 |
| 3.2.1 S1和ACC神經(jīng)元對疼痛和非疼痛刺激物的混合選擇性 |
| 3.2.2 疼痛刺激下試驗(yàn)之間的可變性 |
| 3.2.3 計(jì)算時(shí)間和數(shù)據(jù)的限制 |
| 3.3 實(shí)驗(yàn)結(jié)果 |
| 3.3.1 計(jì)算機(jī)仿真實(shí)驗(yàn) |
| 3.3.2 檢測急性疼痛信號的神經(jīng)科學(xué)實(shí)驗(yàn) |
| 3.3.3 結(jié)合鋒電位和LFP的檢測 |
| 3.4 討論 |
| 3.5 本章小結(jié) |
| 第4章 基于局部場電位信號的急性疼痛解碼算法的研究 |
| 4.1 材料與方法 |
| 4.1.1 實(shí)驗(yàn)動(dòng)物 |
| 4.1.2 神經(jīng)生理記錄 |
| 4.1.3 實(shí)驗(yàn)方案 |
| 4.1.4 數(shù)據(jù)預(yù)處理 |
| 4.1.5 功率譜分析 |
| 4.1.6 疼痛強(qiáng)度解碼 |
| 4.1.7 疼痛開始檢測 |
| 4.2 實(shí)驗(yàn)結(jié)果 |
| 4.2.1 LFP信號的功率譜分析 |
| 4.2.2 疼痛強(qiáng)度的解碼分析 |
| 4.2.3 慢性疼痛狀態(tài)下疼痛強(qiáng)度的解碼分析 |
| 4.2.4 疼痛強(qiáng)度解碼精度的評估 |
| 4.2.5 基于LFP信號的急性疼痛事件檢測 |
| 4.3 討論 |
| 4.4 本章小結(jié) |
| 第5章 總結(jié)和展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻(xiàn) |
| 附錄A 攻讀博士學(xué)位期間的主要研究成果 |
| A.1 已發(fā)表的論文 |
| A.2 科研項(xiàng)目 |
| A.3 交流經(jīng)歷 |
（7）基于遷移學(xué)習(xí)的腦磁圖解碼研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景與研究意義 |
| 1.2 腦機(jī)接口的介紹 |
| 1.2.1 腦機(jī)接口的工作原理 |
| 1.2.2 非侵入式腦成像技術(shù) |
| 1.2.3 國內(nèi)外發(fā)展與研究現(xiàn)狀 |
| 1.3 本文的主要研究內(nèi)容 |
| 1.4 本文的結(jié)構(gòu)安排 |
| 第二章 基于遷移學(xué)習(xí)的腦磁圖解碼基礎(chǔ) |
| 2.1 腦磁圖的介紹 |
| 2.1.1 腦磁圖的基礎(chǔ)理論 |
| 2.1.2 腦磁圖誘發(fā)磁場 |
| 2.1.3 腦磁圖的發(fā)展與應(yīng)用 |
| 2.2 遷移學(xué)習(xí)的介紹 |
| 2.2.1 遷移學(xué)習(xí)的概述 |
| 2.2.2 遷移學(xué)習(xí)的基礎(chǔ)理論 |
| 2.2.3 遷移學(xué)習(xí)的應(yīng)用 |
| 2.2.4 遷移學(xué)習(xí)在腦解碼中的應(yīng)用 |
| 2.3 本章小結(jié) |
| 第三章 基于黎曼流形學(xué)習(xí)的腦磁圖解碼 |
| 3.1 黎曼流形 |
| 3.2 基于黎曼流形學(xué)習(xí)的腦磁圖解碼 |
| 3.2.1 基于黎曼的核 |
| 3.2.2 黎曼流形學(xué)習(xí) |
| 3.3 跨受試者的腦磁圖解碼實(shí)驗(yàn) |
| 3.3.1 數(shù)據(jù)描述 |
| 3.3.2 數(shù)據(jù)預(yù)處理 |
| 3.3.3 實(shí)驗(yàn)結(jié)果與分析 |
| 3.4 本章小結(jié) |
| 第四章 基于多任務(wù)學(xué)習(xí)的腦磁圖解碼 |
| 4.1 多任務(wù)學(xué)習(xí) |
| 4.2 基于多任務(wù)學(xué)習(xí)的腦磁圖解碼 |
| 4.2.1 基于貝葉斯的多任務(wù)學(xué)習(xí)模型 |
| 4.2.2 改進(jìn)的多任務(wù)學(xué)習(xí)的框架 |
| 4.2.3 黎曼流形與多任務(wù)學(xué)習(xí)聯(lián)合方法 |
| 4.3 實(shí)驗(yàn)結(jié)果與分析 |
| 4.3.1 基于改進(jìn)的多任務(wù)學(xué)習(xí)框架 |
| 4.3.2 基于聯(lián)合方法 |
| 4.4 本章小結(jié) |
| 總結(jié)與展望 |
| 總結(jié) |
| 展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的研究成果 |
| 致謝 |
| 附件 |
（8）腦波可視化技術(shù)的研究與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 背景介紹 |
| 1.2 研究現(xiàn)狀 |
| 1.3 尚未解決的問題 |
| 1.4 本文主要工作 |
| 1.5 本文章節(jié)安排 |
| 第二章 相關(guān)技術(shù)介紹 |
| 2.1 腦機(jī)接口技術(shù) |
| 2.1.1 EEG信號的采集與量化 |
| 2.1.2 基于EEG信號的腦機(jī)接口 |
| 2.2 數(shù)據(jù)可視化技術(shù) |
| 2.2.1 基于信號分析的方法 |
| 2.2.2 基于機(jī)器學(xué)習(xí)的方法 |
| 2.3 生成對抗網(wǎng)絡(luò)GAN與可視化 |
| 2.3.1 基于文本的GAN圖像生成 |
| 2.3.2 基于屬性的GAN圖像生成 |
| 2.4 相關(guān)數(shù)據(jù)集介紹 |
| 2.5 本章小結(jié) |
| 第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的腦電分類與圖片分類 |
| 3.1 引言 |
| 3.2 相關(guān)研究 |
| 3.3 方法 |
| 3.3.1 實(shí)驗(yàn)環(huán)境搭建 |
| 3.3.2 數(shù)據(jù)集選擇 |
| 3.3.3 信號預(yù)處理 |
| 3.3.4 EEG分類 |
| 3.3.5 圖像分類 |
| 3.4 分類實(shí)驗(yàn) |
| 3.5 結(jié)論 |
| 3.6 本章小結(jié) |
| 第四章 腦波可視化 |
| 4.1 引言 |
| 4.2 相關(guān)研究 |
| 4.3 方法 |
| 4.3.1 總體結(jié)構(gòu) |
| 4.3.2 生成器G的結(jié)構(gòu)與實(shí)現(xiàn) |
| 4.3.3 鑒別器D的結(jié)構(gòu)與實(shí)現(xiàn) |
| 4.3.4 小樣本集擴(kuò)展 |
| 4.4 網(wǎng)絡(luò)整合與生成實(shí)驗(yàn) |
| 4.4.1 實(shí)驗(yàn)基準(zhǔn) |
| 4.4.2 評價(jià)指標(biāo) |
| 4.4.3 實(shí)驗(yàn)結(jié)果 |
| 4.5 結(jié)論 |
| 4.6 本章小結(jié) |
| 第五章 總結(jié)和展望 |
| 5.1 總結(jié) |
| 5.2 后續(xù)工作展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的成果 |
（9）面向腦機(jī)接口的多模態(tài)認(rèn)知隱藏信息特征檢測與識別研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 隱藏信息檢測方法概述 |
| 1.2.1 多導(dǎo)測試儀概述 |
| 1.2.2 隱藏信息檢測的測試范式設(shè)置 |
| 1.2.3 隱藏信息檢測的替代技術(shù) |
| 1.3 國內(nèi)外研究現(xiàn)狀及發(fā)展 |
| 1.3.1 面向腦機(jī)接口的隱藏信息檢測的提出 |
| 1.3.2 腦機(jī)接口CIT系統(tǒng)中EEG特征及識別研究現(xiàn)狀 |
| 1.3.3 全腦區(qū)成像分析應(yīng)用于CIT研究 |
| 1.3.4 國內(nèi)研究現(xiàn)狀及發(fā)展 |
| 1.4 本論文的研究目的及內(nèi)容 |
| 1.5 本論文組織結(jié)構(gòu)及技術(shù)路線 |
| 第2章 腦機(jī)接口CIT系統(tǒng)中EEG時(shí)-頻-空域特征 |
| 2.1 引言 |
| 2.2 腦機(jī)接口CIT系統(tǒng)的構(gòu)成 |
| 2.3 腦電信號基本特征及其研究方法 |
| 2.3.1 大腦基本分區(qū)及其對應(yīng)的功能 |
| 2.3.2 腦電信號及其采集 |
| 2.3.3 腦電信號節(jié)律 |
| 2.3.4 事件相關(guān)腦電位 |
| 2.4 面向腦機(jī)接口的視覺CIT實(shí)驗(yàn)分析 |
| 2.4.1 實(shí)驗(yàn)設(shè)計(jì) |
| 2.4.2 腦機(jī)接口CIT實(shí)驗(yàn)平臺 |
| 2.4.3 數(shù)據(jù)預(yù)處理 |
| 2.5 隱藏信息檢測的時(shí)頻域分析 |
| 2.5.1 基本時(shí)頻分析及結(jié)果 |
| 2.5.2 基于P300幅值幾何差的檢測方法 |
| 2.6 隱藏信息檢測中空間網(wǎng)絡(luò)結(jié)構(gòu)關(guān)鍵節(jié)點(diǎn)特征分析 |
| 2.6.1 基于H指數(shù)的非線性相互依賴分析方法 |
| 2.6.2 基于H指數(shù)的空間網(wǎng)絡(luò)連接分析 |
| 2.6.3 基于空間網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)關(guān)鍵節(jié)點(diǎn)特征的識別方法分析 |
| 2.7 本章小結(jié) |
| 第3章 基于EEG二值功能網(wǎng)絡(luò)及SVM的隱藏信息檢測 |
| 3.1 引言 |
| 3.2 基于圖論的復(fù)雜網(wǎng)絡(luò)理論 |
| 3.2.1 復(fù)雜網(wǎng)絡(luò)概述 |
| 3.2.2 復(fù)雜網(wǎng)絡(luò)基本概念 |
| 3.2.3 復(fù)雜網(wǎng)絡(luò)基本模型 |
| 3.3 腦結(jié)構(gòu)網(wǎng)絡(luò)和腦功能網(wǎng)絡(luò) |
| 3.4 面向腦機(jī)接口的視覺和聽覺CIT實(shí)驗(yàn)分析 |
| 3.4.1 實(shí)驗(yàn)設(shè)計(jì) |
| 3.4.2 數(shù)據(jù)預(yù)處理 |
| 3.5 基于二值網(wǎng)絡(luò)和SVM的檢測與識別方法分析 |
| 3.5.1 腦功能網(wǎng)絡(luò)的構(gòu)建 |
| 3.5.2 腦功能網(wǎng)絡(luò)的二值化 |
| 3.5.3 二值網(wǎng)絡(luò)特征參數(shù)分析 |
| 3.5.4 支持向量機(jī)模式分類 |
| 3.6 本章小結(jié) |
| 第4章 基于EEG加權(quán)功能網(wǎng)絡(luò)及QNN的隱藏信息檢測 |
| 4.1 引言 |
| 4.2 腦加權(quán)功能網(wǎng)絡(luò)特征量 |
| 4.2.1 基本特征量 |
| 4.2.2 同配系數(shù) |
| 4.2.3 傳遞性 |
| 4.3 基于相位延遲指數(shù)的加權(quán)網(wǎng)絡(luò)構(gòu)建方法 |
| 4.4 面向腦機(jī)接口的視聽同步隱藏信息檢測實(shí)驗(yàn) |
| 4.4.1 實(shí)驗(yàn)設(shè)計(jì) |
| 4.4.2 實(shí)驗(yàn)記錄和數(shù)據(jù)預(yù)處理 |
| 4.5 基于加權(quán)網(wǎng)絡(luò)特征的量子神經(jīng)網(wǎng)絡(luò)檢測分析 |
| 4.5.1 腦加權(quán)網(wǎng)絡(luò)的構(gòu)建 |
| 4.5.2 腦加權(quán)網(wǎng)絡(luò)特征參數(shù)分析 |
| 4.5.3 基于全局特征熵的全腦信號復(fù)雜度分析 |
| 4.5.4 基于遺傳算法的腦電信號特征量優(yōu)化 |
| 4.5.5 QNN分類器的構(gòu)建及加權(quán)網(wǎng)絡(luò)特征量的分類識別 |
| 4.6 本章小結(jié) |
| 第5章 基于EEG有向功能網(wǎng)絡(luò)連接的隱藏信息特征分析 |
| 5.1 引言 |
| 5.2 有向功能網(wǎng)絡(luò)的構(gòu)建方法 |
| 5.2.1 線性格蘭杰因果 |
| 5.2.2 定向相干性 |
| 5.2.3 偏定向相干分析 |
| 5.2.4 直接傳遞函數(shù)分析 |
| 5.2.5 傳遞熵 |
| 5.3 有向功能網(wǎng)絡(luò)特征參數(shù) |
| 5.4 熟人和陌生人信息誘發(fā)有向功能網(wǎng)絡(luò)連接分析 |
| 5.5 本章小結(jié) |
| 第6章 腦機(jī)接口CIT系統(tǒng)中腦功能網(wǎng)絡(luò)構(gòu)建方法對比分析 |
| 6.1 引言 |
| 6.2 相互依賴關(guān)系分析方法 |
| 6.2.1 互相關(guān)函數(shù) |
| 6.2.2 相干函數(shù) |
| 6.2.3 互信息 |
| 6.2.4 相位同步 |
| 6.3 應(yīng)用于隱藏信息檢測分析 |
| 6.4 綜合討論 |
| 6.5 本章小結(jié) |
| 第7章 面向腦機(jī)接口的視覺刺激和觸覺反饋的CIT系統(tǒng)分析 |
| 7.1 引言 |
| 7.2 單向感知的多穩(wěn)態(tài)觸覺刺激實(shí)驗(yàn) |
| 7.2.1 實(shí)驗(yàn)簡介 |
| 7.2.2 實(shí)驗(yàn)設(shè)計(jì) |
| 7.2.3 數(shù)據(jù)處理和結(jié)果討論 |
| 7.3 存在感知反饋的鄰近閾值觸覺刺激實(shí)驗(yàn) |
| 7.3.1 實(shí)驗(yàn)簡介 |
| 7.3.2 實(shí)驗(yàn)設(shè)計(jì) |
| 7.3.3 數(shù)據(jù)處理和結(jié)果討論 |
| 7.4 基于視覺刺激和觸覺反饋的CIT實(shí)驗(yàn)分析 |
| 7.4.1 實(shí)驗(yàn)系統(tǒng)構(gòu)成 |
| 7.4.2 實(shí)驗(yàn)分析 |
| 7.5 本章小結(jié) |
| 第8章 總結(jié)與展望 |
| 8.1 本文主要工作及創(chuàng)新點(diǎn) |
| 8.1.1 主要工程總結(jié) |
| 8.1.2 主要?jiǎng)?chuàng)新點(diǎn) |
| 8.2 未來工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀博士期間取得的學(xué)術(shù)成果 |
| 攻讀博士期間參與的科研項(xiàng)目 |
| 作者從事科學(xué)研究和學(xué)習(xí)經(jīng)歷簡歷 |
（10）移動(dòng)機(jī)器人腦控關(guān)鍵技術(shù)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 腦機(jī)接口基本原理 |
| 1.1.1 信號采集 |
| 1.1.2 信號處理 |
| 1.1.3 BCI應(yīng)用 |
| 1.2 腦控系統(tǒng)中常用的BCI范式 |
| 1.2.1 基于感覺運(yùn)動(dòng)節(jié)律的BCI |
| 1.2.2 基于事件相關(guān)電位的BCI |
| 1.2.3 基于穩(wěn)態(tài)刺激誘發(fā)電位的腦機(jī)接口 |
| 1.3 腦控系統(tǒng)設(shè)計(jì)理論 |
| 1.3.1 異步腦機(jī)接口設(shè)計(jì)理論 |
| 1.3.2 混合腦機(jī)接口理論與技術(shù) |
| 1.3.3 人機(jī)反饋通路非對稱性分析 |
| 1.3.4 人機(jī)共享自主性和協(xié)同控制理論 |
| 1.3.5 人類原子運(yùn)動(dòng)神經(jīng)機(jī)理 |
| 1.4 腦控移動(dòng)機(jī)器人研究概況 |
| 1.4.1 研究現(xiàn)狀 |
| 1.4.2 研究存在的問題與挑戰(zhàn) |
| 1.5 本研究開展的思路 |
| 第二章 腦控移動(dòng)機(jī)器人系統(tǒng)架構(gòu)設(shè)計(jì) |
| 2.1 引言 |
| 2.2 腦控移動(dòng)機(jī)器人軟硬件系統(tǒng)架構(gòu)設(shè)計(jì) |
| 2.2.1 硬件系統(tǒng)設(shè)計(jì) |
| 2.2.2 軟件系統(tǒng)設(shè)計(jì) |
| 2.3 BCI-ROS編程框架設(shè)計(jì) |
| 2.3.1 用戶層 |
| 2.3.2 框架層 |
| 2.3.3 BCI-ROS與 ROS系統(tǒng)的交互 |
| 2.4 BCI-ROS框架測試 |
| 2.4.1 軟件調(diào)用耗時(shí)和內(nèi)存消耗測試 |
| 2.4.2 BCI實(shí)驗(yàn)測試 |
| 2.5 本章小結(jié) |
| 第三章 異步P300腦機(jī)接口優(yōu)化設(shè)計(jì)研究 |
| 3.1 引言 |
| 3.1.1 現(xiàn)有的方法 |
| 3.1.2 存在的問題 |
| 3.2 方法 |
| 3.2.1 特征提取與分類器 |
| 3.2.2 分類器的參數(shù)優(yōu)化 |
| 3.3 實(shí)驗(yàn)設(shè)計(jì) |
| 3.3.1 被試與信號采集 |
| 3.3.2 實(shí)驗(yàn)流程 |
| 3.4 實(shí)驗(yàn)結(jié)果與對比分析 |
| 3.4.1 離線實(shí)驗(yàn)結(jié)果 |
| 3.4.2 在線對比實(shí)驗(yàn) |
| 3.5 討論 |
| 3.5.1 本方法的合理性 |
| 3.5.2 本方法在實(shí)際場景中的應(yīng)用 |
| 3.5.3 本方法存在的問題和可能的解決方法 |
| 3.6 本章小結(jié) |
| 第四章 快速P300腦機(jī)接口技術(shù)研究 |
| 4.1 引言 |
| 4.2 方法 |
| 4.2.1 被試和信號采集 |
| 4.2.2 定序刺激編碼 |
| 4.2.3 特征提取 |
| 4.2.4 分類器 |
| 4.2.5 多尺度分類器 |
| 4.3 實(shí)驗(yàn)設(shè)計(jì) |
| 4.3.1 離線標(biāo)定 |
| 4.3.2 虛擬機(jī)器人控制測試 |
| 4.4 實(shí)驗(yàn)結(jié)果與分析 |
| 4.4.1 離線結(jié)果 |
| 4.4.2 虛擬機(jī)器人控制測試 |
| 4.5 討論 |
| 4.5.1 定序刺激編碼序列的影響 |
| 4.5.2 多尺度分類器 |
| 4.6 本章小結(jié) |
| 第五章 腦控機(jī)器人移動(dòng)操控技術(shù)研究 |
| 5.1 引言 |
| 5.2 機(jī)器人控制模塊設(shè)計(jì) |
| 5.2.1 按鈕識別與操控模塊 |
| 5.2.2 導(dǎo)航避障模塊 |
| 5.3 混合腦機(jī)接口設(shè)計(jì) |
| 5.3.1 序列運(yùn)動(dòng)想象腦機(jī)接口與運(yùn)動(dòng)控制 |
| 5.3.2 異步P300腦機(jī)接口與目標(biāo)操控 |
| 5.3.3 混合腦機(jī)接口融合機(jī)制和人機(jī)交互接口 |
| 5.4 實(shí)驗(yàn)設(shè)計(jì) |
| 5.4.1 被試與信號采集 |
| 5.4.2 實(shí)驗(yàn)流程 |
| 5.5 實(shí)驗(yàn)結(jié)果 |
| 5.6 討論 |
| 5.6.1 系統(tǒng)結(jié)構(gòu) |
| 5.6.2 自動(dòng)輔助模塊 |
| 5.6.3 混合腦機(jī)接口 |
| 5.7 本章小結(jié) |
| 第六章 移動(dòng)機(jī)器人智能腦控技術(shù)研究 |
| 6.1 引言 |
| 6.2 機(jī)器人智能模塊設(shè)計(jì) |
| 6.2.1 環(huán)境理解模塊 |
| 6.2.2 輔助決策模塊 |
| 6.2.3 基于局部地圖的自動(dòng)導(dǎo)航 |
| 6.2.4 機(jī)械臂控制 |
| 6.3 腦機(jī)接口系統(tǒng) |
| 6.3.1 腦電信號采集 |
| 6.3.2 工作機(jī)制 |
| 6.3.3 圖形用戶界面 |
| 6.3.4 P300腦機(jī)接口 |
| 6.3.5 驗(yàn)證命令 |
| 6.4 實(shí)驗(yàn)設(shè)計(jì) |
| 6.4.1 被試和準(zhǔn)備 |
| 6.4.2 實(shí)驗(yàn)任務(wù) |
| 6.4.3 性能評價(jià) |
| 6.5 實(shí)驗(yàn)結(jié)果 |
| 6.6 討論 |
| 6.7 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 本文工作總結(jié) |
| 7.1.1 腦控系統(tǒng)優(yōu)化設(shè)計(jì)方面 |
| 7.1.2 系統(tǒng)設(shè)計(jì)和工程實(shí)現(xiàn)方面 |
| 7.2 未來工作展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 作者在學(xué)期間取得的學(xué)術(shù)成果 |
四、現(xiàn)代信號處理理論在腦磁研究中的應(yīng)用（論文參考文獻(xiàn)）
- [1]抑郁癥腦磁圖的微態(tài)特征及相關(guān)性研究[D]. 張亞飛. 南京郵電大學(xué), 2020(02)
- [2]基于腦電的聽覺注意解碼與情緒識別的認(rèn)知計(jì)算研究[D]. 陸云. 哈爾濱工業(yè)大學(xué), 2020(01)
- [3]基于稀疏共空間模式和正則化判別分析方法的腦電運(yùn)動(dòng)意圖識別研究[D]. 田永勝. 燕山大學(xué), 2020
- [4]運(yùn)動(dòng)想象腦電波數(shù)據(jù)分析[D]. 陳銳. 貴州師范大學(xué), 2020(01)
- [5]基于改進(jìn)的排列熵和條件熵的抑郁癥腦磁圖研究[D]. 袁自震. 南京郵電大學(xué), 2019(02)
- [6]基于大鼠皮層鋒電位及LFP信號的急性疼痛解碼算法研究[D]. 肖征東. 浙江大學(xué), 2019(03)
- [7]基于遷移學(xué)習(xí)的腦磁圖解碼研究[D]. 劉亞琳. 華南理工大學(xué), 2019(01)
- [8]腦波可視化技術(shù)的研究與實(shí)現(xiàn)[D]. 何曦. 電子科技大學(xué), 2019(01)
- [9]面向腦機(jī)接口的多模態(tài)認(rèn)知隱藏信息特征檢測與識別研究[D]. 常文文. 東北大學(xué), 2019
- [10]移動(dòng)機(jī)器人腦控關(guān)鍵技術(shù)研究[D]. 唐景昇. 國防科技大學(xué), 2018(01)
標(biāo)簽：腦機(jī)接口論文;