【摘要】：腦電信號(Electroencephalography,EEG)的采集與預處理作為腦機接口應用采集模塊最重要的部分,在神經(jīng)科學、醫(yī)學、心理學和人工智能等研究領(lǐng)域發(fā)揮著重要作用。多通道腦電信號的采集與偽跡去除技術(shù)已經(jīng)成為腦機接口研究的重要課題。當前頭發(fā)區(qū)域多通道腦電信號采集與預處理技術(shù)存在以下問題:傳統(tǒng)濕電極操作繁瑣、準備時間長;頭發(fā)遮蔽使采集的EEG信號質(zhì)量不佳,且采集過程中易受運動、吞咽和眨眼等影響而產(chǎn)生偽跡;傳統(tǒng)偽跡去除算法具有非全自動、實時性不高和客觀性較差等缺點。針對上述不足,本文著重對三個方面進行研究:1)設(shè)計并制備了一種柔性針式頭發(fā)區(qū)域干電極。該電極的陣列式探針和底部呈圓形倒角結(jié)構(gòu),在使用時不易被折斷;探針形狀為錐體,能穿過頭發(fā)接觸頭皮;基材為橡膠,其間摻雜的導電銀粉,使電極具有導電性。為了驗證電極的有效性,進行了阻抗特性分析實驗、睜閉眼實驗和SSVEP實驗。阻抗分析實驗表明單個電極10Hz在前額區(qū)域和頭發(fā)區(qū)域的阻抗值分別為57?6.2k?和90?12.7k?,均能達到設(shè)備采集EEG數(shù)據(jù)時的阻抗要求。對睜閉眼實驗和SSVEP實驗采集的腦電信號進行頻域分析,結(jié)果均呈現(xiàn)出明顯的特征。2)提出了一種基于低秩稀疏分解的多通道腦電信號偽跡自動去除方法。該方法對多通道腦電信號進行分析并改進了GoDec算法,將受偽跡影響的觀測EEG信號X分解為'''X(28)L(10)S(10)G,其中L'為純凈腦電信號,S'和G'為偽跡部分。將S'和G'去除,達到了自動去除偽跡的目的。所提出的方法在標準腦電數(shù)據(jù)集上進行去偽跡實驗,結(jié)果表明該方法自動去除偽跡方面是有效的。與現(xiàn)有的偽跡自動去除算法做對比,該方法極大地提高了腦電信號的信噪比、減小了均方誤差,且具有較好的穩(wěn)定性和去偽跡耗時短等優(yōu)點。3)利用所制備的柔性干電極進行多通道腦電信號的采集,并用所提出的方法進行自動去除偽跡。結(jié)果顯示偽跡信號的幅值明顯減小,處理后的信號達到正常腦電信號標準,且信號分解的波段符合腦電特征波的頻率特性,即所制備的柔性干電極與提出的方法適合日常穿戴監(jiān)測使用。
【圖文】：

能傳導到電極[2]。目前，腦電電極可按照是否需要使用導電凝膠分為于導電膠/膏的濕電極，一類是無需導電膠的干電極。其中，干電極還干電極和全干電極[1]。極技術(shù)采用導電凝膠/膏降低電極-頭皮接觸阻抗，其原理是導電凝膠頭皮表面和不導電的皮膚角質(zhì)層變得潤濕[1]。濕電極技術(shù)因其具備頭皮約為5-20k ）、良好的信噪比和較高的可靠性[3,4]等優(yōu)點，已成為科的首要選擇和標準。雖然傳統(tǒng)濕電極具備以上優(yōu)點，但其本身存在的其主要缺點有：1）測試前電極佩戴和注射腦電凝膠時間長、需對皮復雜度和時間成本高；2）導電凝膠會將受試者的頭發(fā)弄臟弄亂，實頭發(fā)遮擋使得電極與頭皮的接觸面積變小，，頭皮-電極接觸電阻增大，信噪比較低；4）導電凝膠隨著采集時間延長會脫水硬化致使頭皮-電無法支持長期腦電監(jiān)測的需要。這些缺點中，步驟繁瑣和穿戴不適的受試者的詬病。

號信噪比較低；4）導電凝膠隨著采集時間延長會脫水硬化致使頭皮-電，無法支持長期腦電監(jiān)測的需要。這些缺點中，步驟繁瑣和穿戴不適的和受試者的詬病。(a) (b)圖 1-1 腦電信號傳導通道
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN911.7

【參考文獻】

相關(guān)期刊論文 前4條

1 蔣小梅;張俊然;張坤;周博;陳富琴;;MEMS微針陣列干電極及其在生理電信號采集中的應用[J];中國生物醫(yī)學工程學報;2015年05期

2 Bang-hua YANG;Liang-fei HE;Lin LIN;Qian WANG;;腦機接口中基于約束獨立分量分析和自適應濾波的眼電快速去除（英文）[J];Frontiers of Information Technology & Electronic Engineering;2015年06期

3 彭義剛;索津莉;戴瓊海;徐文立;;從壓縮傳感到低秩矩陣恢復:理論與應用[J];自動化學報;2013年07期

4 謝松云;張振中;楊金孝;張坤;;腦電信號的若干處理方法研究與評價[J];計算機仿真;2007年02期

相關(guān)碩士學位論文 前2條

1 劉燕;基于低秩稀疏分解的新型腦電信號處理方法[D];杭州電子科技大學;2017年

2 李林;基于低秩約束的分類及特征分析方法研究[D];國防科學技術(shù)大學;2013年

本文編號：2673134