本文關(guān)鍵詞： 腦電信號 卡爾曼濾波 動態(tài)分析 特征提取 單次誘發(fā)成份 腦網(wǎng)絡(luò)　出處：《哈爾濱工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：現(xiàn)今,在腦科學(xué)和信號處理技術(shù)的迅猛發(fā)展下,腦機接口設(shè)備逐漸應(yīng)用于臨床醫(yī)學(xué)、軍事、游戲等領(lǐng)域。腦認(rèn)知特征提取方法是腦機接口設(shè)備研發(fā)基礎(chǔ),由于腦機接口技術(shù)需要實時地完成人機交互任務(wù),所以腦認(rèn)知特征提取方法也急需一種具有高時間分辨率和能夠?qū)崟r分析的腦電信號處理方法。本文利用Kalman濾波方法進行認(rèn)知活動特征提取。將腦認(rèn)知特征提取問題劃分成兩個子問題:單通道腦電信號特征提取和多通道腦電信號特征提取。(1)在單通道腦電信號研究部分,本文提出了單次誘發(fā)成份的自適應(yīng)卡爾曼濾波提取方法,以及自適應(yīng)誘發(fā)成份優(yōu)勢區(qū)間分離機制算法。該算法利用了腦電誘發(fā)成份和自發(fā)成份的幅值變化速率的差異,定義了測量余量和估計幅值兩個參數(shù),以兩參數(shù)為標(biāo)準(zhǔn)該算法可自動區(qū)分腦電信號中誘發(fā)成份優(yōu)勢區(qū)間和噪聲優(yōu)勢區(qū)間,實現(xiàn)單通道腦電信號單一或少量誘發(fā)成份的精確提取。同時進行了針對模擬誘發(fā)成份和真實誘發(fā)成份的方法驗證實驗,其中真實誘發(fā)成份數(shù)據(jù)通過Oddball范式下的視覺腦認(rèn)知實驗獲得。并將該方法應(yīng)用于腦機接口系統(tǒng)中的單次誘發(fā)成份檢測,結(jié)果表明該方法可有效提升腦機接口系統(tǒng)的識別正確率,高達92%。(2)在多通道腦電信號研究部分,本文建立語音沖突認(rèn)知活動模型,提出基于Kalman濾波狀態(tài)追蹤的時變腦網(wǎng)絡(luò)分析方法。該方法在現(xiàn)有的多變量自回歸模型的基礎(chǔ)上,采用Kalman濾波方改進多變量自回歸模型的系數(shù)估計,再通過有向傳遞函數(shù)的因果分析方法獲取包含頻域信息的效應(yīng)腦網(wǎng)絡(luò)模型。同時以Stroop實驗范式采集了聽覺腦認(rèn)知實驗數(shù)據(jù),進行了語音沖突腦網(wǎng)絡(luò)構(gòu)建與分析實驗,結(jié)果表明該方法能夠提取了語音沖突的腦網(wǎng)絡(luò)的結(jié)構(gòu)特征和頻域特征,解決了腦認(rèn)知活動下大腦內(nèi)部信息傳遞的獲取,以及大腦神經(jīng)連接動態(tài)演化過程的探究。本文的所提出的認(rèn)知活動動態(tài)特征提取方法能夠很好地分析腦電信號時域、頻域、空間域信息,為腦電信號建模和特征提取提供了新思路。
[Abstract]:Nowadays, with the rapid development of brain science and signal processing technology, brain-computer interface equipment is gradually applied in clinical medicine, military, games and other fields. Brain cognitive feature extraction method is the basis of brain-computer interface equipment research and development. Because the brain-computer interface technology needs to complete the human-computer interaction task in real time. Therefore, a method of EEG processing with high temporal resolution and real time analysis is urgently needed. In this paper, we use Kalman filter to extract the feature of cognitive activity. The feature extraction problem is divided into two sub-problems:. Single channel EEG feature extraction and multichannel EEG feature extraction. (. 1) in the single channel EEG research section. In this paper, an adaptive Kalman filter extraction method for single evoked components is proposed. This algorithm takes advantage of the difference of amplitude change rate between EEG evoked component and spontaneous component, and defines two parameters, measurement margin and estimation amplitude. Using two parameters as the standard, the algorithm can automatically distinguish the dominant region of evoked component from the dominant interval of noise in EEG signal. The single or small amount of evoked components of single channel EEG signals can be extracted accurately. At the same time, the methods of simulating evoked components and real evoked components are verified. The real evoked component data were obtained by the visual brain cognitive experiment under Oddball paradigm, and the method was applied to the single evoked component detection in the BCI system. The results show that this method can effectively improve the recognition accuracy of BCI system, up to 92 / 2) in the multi-channel EEG research part, this paper establishes a speech conflict cognitive activity model. A time-varying brain network analysis method based on Kalman filter state tracking is proposed, which is based on the existing multivariate autoregressive model. The Kalman filter is used to improve the coefficient estimation of multivariate autoregressive model. Then the effect brain network model containing frequency domain information was obtained by causality analysis of directed transfer function and the auditory brain cognitive experiment data were collected by Stroop experimental paradigm. The experimental results show that this method can extract the structural features and frequency domain features of the brain network of speech conflict and solve the problem of information transmission in the brain under the brain cognitive activity. As well as the exploration of the dynamic evolution process of cerebral nerve connection. The proposed method of dynamic feature extraction of cognitive activity can well analyze the EEG information in time domain, frequency domain and spatial domain. It provides a new idea for EEG modeling and feature extraction.
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R318;TN911.7

【相似文獻】

相關(guān)期刊論文 前10條

1 魯強;劉玉軍;徐建蘭;張進祿;;一種適用于清醒動物腦電信號采集的固定裝置[J];首都醫(yī)科大學(xué)學(xué)報;2011年06期

2 ;腦電信號處理的研究取得階段性成果[J];河北師范大學(xué)學(xué)報;1987年01期

3 李志瑞;張文杰;;通用腦電信號處理——微機系統(tǒng)初探[J];河北師范大學(xué)學(xué)報;1988年Z1期

4 孟欣，，歐陽楷;腦電信號的幾個非線性動力學(xué)分析方法[J];北京生物醫(yī)學(xué)工程;1997年03期

5 吳小培,馮煥清,周荷琴,王濤;獨立分量分析及其在腦電信號預(yù)處理中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2001年01期

6 李英遠(yuǎn),周衛(wèi)東;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在腦電信號建模中的應(yīng)用[J];山東生物醫(yī)學(xué)工程;2002年02期

7 劉大路,江朝暉,馮煥清,王聰;基于腦電信號時空分布信息的思維特征研究[J];北京生物醫(yī)學(xué)工程;2004年02期

8 許崇濤,沈民奮,李慧,朱國平;雙譜分析方法在腦電信號分析中的應(yīng)用[J];中國行為醫(yī)學(xué)科學(xué);2004年03期

9 湯曉軍,宋卓,楊卓,張濤;雙任務(wù)事件中腦電信號的熵計算(英文)[J];生物物理學(xué)報;2005年05期

10 蔣辰偉;章悅;曹洋;朱國行;顧凡及;王斌;;腦死亡與腦昏迷腦電信號的復(fù)雜度研究[J];生物物理學(xué)報;2008年02期

相關(guān)會議論文 前10條

1 薛蘊全;王秋英;王宏;;腦電信號的動態(tài)時空響應(yīng)拓?fù)鋱D[A];中國儀器儀表學(xué)會第三屆青年學(xué)術(shù)會議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號診斷專家系統(tǒng)的研究[A];中國生理學(xué)會第21屆全國代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號采集方法與應(yīng)用研究[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號的假手的研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

5 李愛新;孫鐵;郭炎峰;;基于人工神經(jīng)網(wǎng)絡(luò)的腦電信號模式分類[A];自動化技術(shù)與冶金流程節(jié)能減排——全國冶金自動化信息網(wǎng)2008年會論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號分析中的應(yīng)用[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級抗交叉串?dāng)_自適應(yīng)濾波器提取誘發(fā)腦電信號[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];中國生物醫(yī)學(xué)工程進展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會論文集（下冊）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運動想象的腦電信號特征提取與分類[A];中國儀器儀表學(xué)會醫(yī)療儀器分會2010兩岸四地生物醫(yī)學(xué)工程學(xué)術(shù)年會論文集[C];2010年

10 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會2007年學(xué)術(shù)年會論文摘要集[C];2007年

相關(guān)重要報紙文章 前1條

1 張文清　記者 王春;意念控制車速及左右轉(zhuǎn)彎前行[N];科技日報;2008年

相關(guān)博士學(xué)位論文 前10條

1 彭宏;普適化腦電信息感知關(guān)鍵問題的研究[D];蘭州大學(xué);2015年

2 吳玉鵬;AR譜在皮層癇樣腦電信號分析應(yīng)用[D];河北醫(yī)科大學(xué);2015年

3 馬小飛;認(rèn)知任務(wù)下的腦電動力學(xué)分析[D];南京大學(xué);2017年

4 吳畏;基于統(tǒng)計建模的多導(dǎo)聯(lián)腦電信號時空建模方法研究[D];清華大學(xué);2012年

5 孫宇舸;腦—機接口系統(tǒng)中腦電信號處理方法的研究[D];東北大學(xué);2012年

6 周群;腦電信號同步：方法及應(yīng)用研究[D];電子科技大學(xué);2009年

7 趙麗;基于腦電信號的腦-機接口技術(shù)研究[D];天津大學(xué);2004年

8 李春勝;腦電信號混沌特性的研究與應(yīng)用[D];東北大學(xué);2011年

9 歐陽高翔;癲癇腦電信號的非線性特征識別與分析[D];燕山大學(xué);2010年

10 繆曉波;基于腦電信號的認(rèn)知動力學(xué)系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 范明莉;基于卷積神經(jīng)網(wǎng)絡(luò)的運動想象腦電信號特征提取與分類[D];鄭州大學(xué);2017年

2 于洪;基于腦電信號的警覺度估計[D];上海交通大學(xué);2007年

3 蔣潔;基于高性能計算的腦電信號分析[D];燕山大學(xué);2010年

4 張志琴;腦電信號的復(fù)雜性分析[D];中南大學(xué);2009年

5 許鳳娟;腦電信號采集與分析系統(tǒng)的設(shè)計[D];長春理工大學(xué);2011年

6 曹銘;意識障礙患者腦電信號的非線性動力學(xué)評價分析[D];杭州電子科技大學(xué);2012年

7 薛吉星;多通道腦電信號采集與處理系統(tǒng)研究[D];華南理工大學(xué);2015年

8 劉靜;基于加權(quán)排序熵的多通道腦電信號同步算法研究[D];燕山大學(xué);2015年

9 陳澤濤;基于腦電信號分析的AD早期評估系統(tǒng)的設(shè)計與實現(xiàn)[D];燕山大學(xué);2015年

10 王歡;基于非平穩(wěn)時間序列分析方法的腦電信號模式識別[D];蘇州大學(xué);2015年

本文編號：1454529