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(dòng)大腦保護(hù)和提高腦功能中有著重要意義。腦電圖（Electroencephalography,EEG）因?yàn)橐子诓杉揖邆浜撩爰?jí)的高時(shí)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(shí)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(hào)常常由于被試不自覺地眨眼、頭動(dòng)以及電極松動(dòng)等干擾而受到多種偽跡的污染。這些偽跡將會(huì)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(duì)大腦工作機(jī)制的認(rèn)識(shí)。本質(zhì)上,這主要是因?yàn)橹T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(shí)采用了 L2范數(shù),而L2范數(shù)本身會(huì)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(duì)EEG信號(hào)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(jì)以及特征識(shí)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(hào)分析方法。本文的主要工工作如下:1.基于自回歸分... 

【文章來(lái)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(yè)數(shù)】：120 頁(yè)

【學(xué)位級(jí)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(duì)比了通過(guò)真實(shí)模型系數(shù)預(yù)測(cè)的信號(hào)與參考信號(hào)的后 400 個(gè)點(diǎn)之間的差異，差將作為預(yù)測(cè)誤差進(jìn)一步衡量 AR 模型在受噪情況下的信號(hào)預(yù)測(cè)效果。在仿，不同的離群值出現(xiàn)頻次都將對(duì)應(yīng) 100 次重復(fù)實(shí)驗(yàn)以降低隨機(jī)性的影響。表 表 2-2中分別呈現(xiàn)了對(duì)應(yīng)的平均系數(shù)估計(jì)偏差和信號(hào)預(yù)測(cè)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(duì) t 檢驗(yàn)，對(duì)應(yīng)的顯著性水平閾值.05。通過(guò)顯著性檢驗(yàn)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(hào)中估計(jì)出的模型系數(shù)依然能夠較好地對(duì)信號(hào)進(jìn)行預(yù)測(cè)，而其它方法在估計(jì)模型系數(shù)時(shí)并不能抑制離群值的影響，從而使得預(yù)測(cè)出的信號(hào)與期望信號(hào)存在較大的偏差。


本文編號(hào)：3322648