基于低秩稀疏分解的新型腦電信號(hào)處理方法
發(fā)布時(shí)間:2021-10-06 23:12
腦電信號(hào)處理作為腦機(jī)接口的基礎(chǔ),在神經(jīng)科學(xué)、醫(yī)學(xué)、生理學(xué)等研究領(lǐng)域發(fā)揮著重要的作用,關(guān)于腦電信號(hào)處理方法的研究已經(jīng)成為腦機(jī)接口研究的一個(gè)重要課題。目前常見的腦電信號(hào)處理方法如獨(dú)立成分分析等都是從信號(hào)的“源”出發(fā)通過一系列變量的線性疊加來近似原信號(hào)。本文針對(duì)腦電信號(hào)的處理,從信號(hào)的組成部分出發(fā),提出了一種新的假設(shè):腦電信號(hào)是由背景信號(hào)與任務(wù)意識(shí)信號(hào)組成,固有背景信號(hào)是被試在任何狀態(tài)下所具有相對(duì)穩(wěn)定的腦電信號(hào),任務(wù)意識(shí)信號(hào)是由被試在特定任務(wù)下由相應(yīng)皮層神經(jīng)元激活所產(chǎn)生的,而實(shí)際采集到的腦電信號(hào)是以上兩者和噪聲的混合疊加。然后本文從以下幾個(gè)方面對(duì)腦電信號(hào)處理進(jìn)行了研究。1)本文提出了基于低秩稀疏分解的腦電信號(hào)處理方法。首先對(duì)低秩稀疏分解進(jìn)行詳細(xì)的研究,并簡單介紹了一些算法。然后基于低秩稀疏分解處理腦電信號(hào),建立腦電信號(hào)的低秩稀疏分解模型,認(rèn)為腦電信號(hào)是由低秩的固有背景信號(hào)與稀疏的任務(wù)意識(shí)信號(hào)疊加而成,進(jìn)而探索新型的腦電信號(hào)處理方法。2)本文提出了基于腦電信號(hào)低秩部分的身份識(shí)別方法。為了研究腦電信號(hào)的低秩部分為固有背景信號(hào),是被試在任何狀態(tài)下所具有的相對(duì)穩(wěn)定的腦電信號(hào),在身份識(shí)別中,基于低秩稀...
【文章來源】:杭州電子科技大學(xué)浙江省
【文章頁數(shù)】:68 頁
【學(xué)位級(jí)別】:碩士
【部分圖文】:
包含眼電偽跡的模擬腦電信號(hào)的分解結(jié)果
、稀疏矩陣 以及噪聲 三部分。如圖 3.1 所示,原始腦電信號(hào) X 經(jīng)過 GoDec 算法分解后可得到低秩部分 L。圖3.1 原始腦電信號(hào)分解定義如下?lián)p失函數(shù): ¢ ( ) ≤ ( ) ≤ (3.1)也就是低秩稀疏分解后的低秩部分和稀疏部分重構(gòu)原始腦電信號(hào)的誤差最小,其中兩個(gè)約束條件: 代表腦電背景信號(hào) 的秩, 代表任務(wù)意識(shí)信號(hào) 的基數(shù), 越小,代表矩陣 越稀疏。腦電信號(hào)的低秩稀疏分解可被分解為如下兩個(gè)子問題:{ = | ¢ ( )≤ = | ¢ ( )≤ (3.2)3.3 基于 GoDec 算法的腦電信號(hào)處理
可以看出,分解后的低秩部分 L 信號(hào)較為平穩(wěn),幅值較低,稀疏部分S 信號(hào)大部分為 0,噪聲部分信號(hào)較為嘈雜。圖3.2 基于GoDec的腦電信號(hào)分解3.4 特征提取基于上文腦電信號(hào)的處理后,我們對(duì)分解后得到的低秩部分 和原信號(hào) 分別提取信號(hào)特征。為了保證低秩部分 和原信號(hào) 結(jié)果的公平,使用同樣的特征提取方法與分類方法分別進(jìn)行處理,最終進(jìn)行結(jié)果的比較與分析。在本章中,首先基于腦電信號(hào)的相位信息對(duì)原始腦電信號(hào) 和低秩部分 分別進(jìn)行特征提取,作為身份識(shí)別的相位同步特征,至此完成一次特征提取。為了
【參考文獻(xiàn)】:
期刊論文
[1]低秩矩陣恢復(fù)算法綜述[J]. 史加榮,鄭秀云,魏宗田,楊威. 計(jì)算機(jī)應(yīng)用研究. 2013(06)
[2]從壓縮傳感到低秩矩陣恢復(fù):理論與應(yīng)用[J]. 彭義剛,索津莉,戴瓊海,徐文立. 自動(dòng)化學(xué)報(bào). 2013(07)
[3]腦電信號(hào)的若干處理方法研究與評(píng)價(jià)[J]. 謝松云,張振中,楊金孝,張坤. 計(jì)算機(jī)仿真. 2007(02)
[4]圖像的多尺度幾何分析:回顧和展望[J]. 焦李成,譚山. 電子學(xué)報(bào). 2003(S1)
[5]時(shí)頻測試方法在腦電信號(hào)分析中的應(yīng)用[J]. 季忠,秦樹人. 重慶大學(xué)學(xué)報(bào)(自然科學(xué)版). 2003(11)
[6]小波分析發(fā)展綜述[J]. 曹懷信,趙建偉. 咸陽師范學(xué)院學(xué)報(bào). 2002(06)
[7]混沌及其在生物醫(yī)學(xué)工程中的應(yīng)用[J]. 劉心東,蔣大宗. 國外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊(cè). 1993(02)
碩士論文
[1]低秩與稀疏矩陣恢復(fù)問題的若干研究[D]. 丁玲.浙江大學(xué) 2012
本文編號(hào):3420922
【文章來源】:杭州電子科技大學(xué)浙江省
【文章頁數(shù)】:68 頁
【學(xué)位級(jí)別】:碩士
【部分圖文】:
包含眼電偽跡的模擬腦電信號(hào)的分解結(jié)果
、稀疏矩陣 以及噪聲 三部分。如圖 3.1 所示,原始腦電信號(hào) X 經(jīng)過 GoDec 算法分解后可得到低秩部分 L。圖3.1 原始腦電信號(hào)分解定義如下?lián)p失函數(shù): ¢ ( ) ≤ ( ) ≤ (3.1)也就是低秩稀疏分解后的低秩部分和稀疏部分重構(gòu)原始腦電信號(hào)的誤差最小,其中兩個(gè)約束條件: 代表腦電背景信號(hào) 的秩, 代表任務(wù)意識(shí)信號(hào) 的基數(shù), 越小,代表矩陣 越稀疏。腦電信號(hào)的低秩稀疏分解可被分解為如下兩個(gè)子問題:{ = | ¢ ( )≤ = | ¢ ( )≤ (3.2)3.3 基于 GoDec 算法的腦電信號(hào)處理
可以看出,分解后的低秩部分 L 信號(hào)較為平穩(wěn),幅值較低,稀疏部分S 信號(hào)大部分為 0,噪聲部分信號(hào)較為嘈雜。圖3.2 基于GoDec的腦電信號(hào)分解3.4 特征提取基于上文腦電信號(hào)的處理后,我們對(duì)分解后得到的低秩部分 和原信號(hào) 分別提取信號(hào)特征。為了保證低秩部分 和原信號(hào) 結(jié)果的公平,使用同樣的特征提取方法與分類方法分別進(jìn)行處理,最終進(jìn)行結(jié)果的比較與分析。在本章中,首先基于腦電信號(hào)的相位信息對(duì)原始腦電信號(hào) 和低秩部分 分別進(jìn)行特征提取,作為身份識(shí)別的相位同步特征,至此完成一次特征提取。為了
【參考文獻(xiàn)】:
期刊論文
[1]低秩矩陣恢復(fù)算法綜述[J]. 史加榮,鄭秀云,魏宗田,楊威. 計(jì)算機(jī)應(yīng)用研究. 2013(06)
[2]從壓縮傳感到低秩矩陣恢復(fù):理論與應(yīng)用[J]. 彭義剛,索津莉,戴瓊海,徐文立. 自動(dòng)化學(xué)報(bào). 2013(07)
[3]腦電信號(hào)的若干處理方法研究與評(píng)價(jià)[J]. 謝松云,張振中,楊金孝,張坤. 計(jì)算機(jī)仿真. 2007(02)
[4]圖像的多尺度幾何分析:回顧和展望[J]. 焦李成,譚山. 電子學(xué)報(bào). 2003(S1)
[5]時(shí)頻測試方法在腦電信號(hào)分析中的應(yīng)用[J]. 季忠,秦樹人. 重慶大學(xué)學(xué)報(bào)(自然科學(xué)版). 2003(11)
[6]小波分析發(fā)展綜述[J]. 曹懷信,趙建偉. 咸陽師范學(xué)院學(xué)報(bào). 2002(06)
[7]混沌及其在生物醫(yī)學(xué)工程中的應(yīng)用[J]. 劉心東,蔣大宗. 國外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊(cè). 1993(02)
碩士論文
[1]低秩與稀疏矩陣恢復(fù)問題的若干研究[D]. 丁玲.浙江大學(xué) 2012
本文編號(hào):3420922
本文鏈接:http://sikaile.net/kejilunwen/xinxigongchenglunwen/3420922.html
最近更新
教材專著