理解大腦的信息處理機(jī)制是認(rèn)知神經(jīng)科學(xué)領(lǐng)域中的一大熱門研究課題,在推動大腦保護(hù)和提高腦功能中有著重要意義。腦電圖（Electroencephalography,EEG）因為易于采集且具備毫秒級的高時間分辨率而被廣泛地應(yīng)用于諸如認(rèn)知研究、臨床診斷以及腦-機(jī)接口等相關(guān)研究中。在腦電分析方法中,功率譜分析、腦網(wǎng)絡(luò)構(gòu)建以及特征識別發(fā)揮著至關(guān)重要的作用,并已在提取振蕩節(jié)律的調(diào)制、大腦的信息傳遞模式以及腦電差異特征中有著廣泛的應(yīng)用。然而,EEG信號常常由于被試不自覺地眨眼、頭動以及電極松動等干擾而受到多種偽跡的污染。這些偽跡將會嚴(yán)重降低相關(guān)分析方法的性能并進(jìn)一步影響研究人員對大腦工作機(jī)制的認(rèn)識。本質(zhì)上,這主要是因為諸如自回歸模型,格蘭杰因果網(wǎng)絡(luò)分析,圖嵌入等腦電分析方法在定義時采用了 L2范數(shù),而L2范數(shù)本身會由于其固有的平方特性而擴(kuò)大眼電偽跡或離群值等干擾的影響,從而使得相關(guān)分析受到影響。本文主要針對EEG信號中的眼電偽跡和離群值干擾,將Lp（O<p≤1）范數(shù)與自回歸分析、腦網(wǎng)絡(luò)估計以及特征識別方法相結(jié)合,發(fā)展了一系列適用于偽跡干擾下的腦電信號分析方法。本文的主要工工作如下:1.基于自回歸分... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：120 頁

【學(xué)位級別】：博士

【部分圖文】：

不同Lp(p>0)范數(shù)空間下的單位圓

電子科技大學(xué)博士學(xué)位論文對比了通過真實模型系數(shù)預(yù)測的信號與參考信號的后 400 個點之間的差異，差將作為預(yù)測誤差進(jìn)一步衡量 AR 模型在受噪情況下的信號預(yù)測效果。在仿，不同的離群值出現(xiàn)頻次都將對應(yīng) 100 次重復(fù)實驗以降低隨機(jī)性的影響。表 表 2-2中分別呈現(xiàn)了對應(yīng)的平均系數(shù)估計偏差和信號預(yù)測誤差。為了揭示不同法間是否存在顯著性差異，我們采用了配對 t 檢驗，對應(yīng)的顯著性水平閾值.05。通過顯著性檢驗的結(jié)果可以看出 Lp AR（ p=1.0, 0.8, 0.6, 0.4, 0.2） 模型相其它基于 L2范數(shù)的方法有顯著性更小的模型系數(shù)偏差以及波形擬合誤差。

第二章基于 Lp(0<p≤1)范數(shù)的自回歸模型及其在腦電中的應(yīng)用研究可以看出，Lp AR（p=1.0, 0.8, 0.6, 0.4, 0.2）從包含離群值噪聲的信號中估計出的模型系數(shù)依然能夠較好地對信號進(jìn)行預(yù)測，而其它方法在估計模型系數(shù)時并不能抑制離群值的影響，從而使得預(yù)測出的信號與期望信號存在較大的偏差。


本文編號：3322648