發(fā)布時(shí)間：2018-05-27 14:28

  本文選題：誘發(fā)電位 + 稀疏表示　； 參考：《信號(hào)處理》2017年S1期

【摘要】：由于誘發(fā)電位信號(hào)的信噪比很小,因此誘發(fā)電位的單次提取一直是腦電信號(hào)處理領(lǐng)域的難題之一。稀疏表示在信號(hào)去噪方面是一個(gè)強(qiáng)大的工具,并且誘發(fā)電位已被證明在合適的稀疏字典上具有很強(qiáng)的稀疏性。本文提出了一種基于稀疏表示和外輸入自回歸模型的單次誘發(fā)電位提取算法。其中,誘發(fā)腦電信號(hào)提取的過(guò)程分為三個(gè)階段。首先,該算法應(yīng)用參考信號(hào)估計(jì)自發(fā)腦電的自回歸模型參數(shù);其次,在自回歸移動(dòng)平均模型中,應(yīng)用稀疏表示替代移動(dòng)平均模型對(duì)誘發(fā)電位進(jìn)行建模;最后,利用稀疏系數(shù)和自回歸模型參數(shù)重構(gòu)誘發(fā)電位。通過(guò)仿真腦電信號(hào)和真實(shí)誘發(fā)電位信號(hào)進(jìn)行實(shí)驗(yàn)驗(yàn)證,結(jié)果表明該算法具有較好的效果,與MOSCA和ARX方法相比,本文算法能夠在低信噪比情況下進(jìn)行潛伏期和幅度的估計(jì)。
[Abstract]:Because the signal-to-noise ratio of evoked potential signal is very small, the single extraction of evoked potential is always one of the difficult problems in the field of EEG signal processing. Sparse representation is a powerful tool for signal denoising and evoked potentials have been proved to be highly sparse in a suitable sparse dictionary. In this paper, a single evoked potential extraction algorithm based on sparse representation and external input autoregressive model is proposed. Among them, the process of evoked EEG signal extraction is divided into three stages. First, the algorithm uses reference signal to estimate the parameters of autoregressive model of spontaneous EEG; secondly, in the autoregressive moving average model, sparse representation is used to model evoked potential instead of moving average model. The sparsity coefficient and the parameters of the autoregressive model were used to reconstruct the evoked potential. The experimental results show that the proposed algorithm is effective, and compared with the MOSCA and ARX methods, the proposed algorithm can estimate the latency and amplitude at low signal-to-noise ratio (SNR).
【作者單位】： 江蘇師范大學(xué)電氣工程及自動(dòng)化學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61401181) 徐州市科技項(xiàng)目(KC16SY160)
【分類(lèi)號(hào)】：R318;TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

2 陳才扣;喻以明;史俊;;一種快速的基于稀疏表示分類(lèi)器[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

3 耿耀君;張軍英;;一種基于投影稀疏表示的基因選擇方法[J];哈爾濱工程大學(xué)學(xué)報(bào);2011年08期

4 熊承義;汪淑賢;高志榮;;基于字典優(yōu)化的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

5 戴平陽(yáng);洪景新;李翠華;詹小靜;;一種基于稀疏表示的判別式目標(biāo)跟蹤算法[J];廈門(mén)大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年04期

6 趙佳佳;唐崢遠(yuǎn);楊杰;劉爾琦;周越;;基于圖像稀疏表示的紅外小目標(biāo)檢測(cè)算法[J];紅外與毫米波學(xué)報(bào);2011年02期

7 柯激情;祝磊;厲力華;韓斌;鄭智國(guó);孟旭莉;;基于稀疏表示算法的蛋白質(zhì)質(zhì)譜數(shù)據(jù)特征選擇[J];生物物理學(xué)報(bào);2012年08期

8 王立國(guó);劉丹鳳;趙亮;;基于高光譜圖像稀疏表示的彩色可視化模型(英文)[J];Applied Geophysics;2013年02期

9 宋琳;程詠梅;趙永強(qiáng);;基于稀疏表示模型和自回歸模型的高光譜分類(lèi)[J];光學(xué)學(xué)報(bào);2012年03期

10 羅燕龍;劉偉盛;戴平陽(yáng);李翠華;;基于局部稀疏表示模型的海上紅外目標(biāo)跟蹤方法[J];廈門(mén)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年03期

相關(guān)會(huì)議論文 前3條

1 何愛(ài)香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國(guó)華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂(lè);空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類(lèi)方法[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號(hào)分類(lèi)[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺(jué)追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號(hào)：1942481