本文選題：腦電信號　切入點：中介真值程度度量　出處：《南京郵電大學》2017年碩士論文　論文類型：學位論文

【摘要】：腦電信號(Electroencephalogram,EEG)中含有能夠客觀地反映出人近期生理和心理狀況的信息,通過對EEG信號進行研究和分析,可以獲得大量有用的醫(yī)學、生理和心理信息,對疾病的治療和檢測具有重要的意義。近年來,腦-機接口(Brain-Computer Interface,BCI)系統(tǒng)已經(jīng)成為腦科學領域研究的熱點,EEG信號與外部設備之間的傳輸是BCI研究的關鍵。因此,需要借助于EEG處理的方法提取出有效的信號達到人機交互的目的。然而,EEG是非平穩(wěn)非線性的信號且易受噪聲的干擾,給信號的去噪以及特征提取帶來極大的困擾。盡管目前有許多EEG去噪以及特征提取的方法,但在精度或者效率方面都存在一定問題。針對上述問題,本文提出基于MMTD與小波閾值相結合的EEG信號去噪方法、基于EMD分解EEG的特征提取方法。本文完成的主要工作如下:(1)針對EEG采集時易受到噪聲干擾的問題與小波閾值算法在EEG濾波中存在的不足,文中提出了基于MMTD與小波硬閾值的EEG信號去噪方法與基于MMTD與小波軟閾值的EEG信號去噪方法,實驗表明,文中提出的兩種EEG信號去噪方法都是有效的。(2)針對EEG信號的產(chǎn)生機理非常復雜,可以直接進行分類識別的信號是很難獲取的問題。本文在基于EMD信號分解的基礎上,依據(jù)EEG中的ERS/ERD現(xiàn)象,提出把IMF分量能量相對偏離度作為EEG信號特征屬性,并將IMF分量的相對能量偏離度、IMF分量的能量、IMF分量的相對能量組合成特征向量用于后續(xù)的EEG分類。(3)由于不同的分類器其泛化能力有一定的差異,因此分類器的選取對EEG信號分類識別率有較大影響,本文在基于上述選取的三種信號特征的基礎上,提出基于SVM的EEG分類方法對EEG信號進行分類。實驗表明,文中提出的特征提取方法是有效的。
[Abstract]:Electroencephalograms (EGG) contains information that can objectively reflect the recent physiological and psychological conditions of human beings. By studying and analyzing EEG signals, a large number of useful medical, physiological and psychological information can be obtained. In recent years, the Brain-Computer Interface (BCI) system has become a hot topic in the field of brain science. It is necessary to extract effective signals by means of EEG processing to achieve the purpose of human-computer interaction. Although there are many EEG denoising and feature extraction methods, there are some problems in accuracy or efficiency. In this paper, a EEG signal denoising method based on the combination of MMTD and wavelet threshold is proposed. The main work of this paper is as follows: 1) aiming at the problem of easy to be disturbed by noise in EEG acquisition and the deficiency of wavelet threshold algorithm in EEG filtering, the main work of this paper is as follows: (1) the method of feature extraction based on EMD decomposition EEG. In this paper, EEG signal denoising method based on MMTD and wavelet hard threshold and EEG signal denoising method based on MMTD and wavelet soft threshold are proposed. The two EEG signal denoising methods proposed in this paper are effective. (2) the mechanism of EEG signal generation is very complex, and it is difficult to obtain the signal that can be directly classified and recognized. This paper is based on the decomposition of EMD signal. According to the ERS/ERD phenomenon in EEG, the relative deviation of IMF component energy is proposed as the characteristic attribute of EEG signal. The relative energy deviation of the IMF component and the relative energy of the IMF component are combined into eigenvector to be used in the subsequent EEG classification. Therefore, the selection of classifier has a great influence on the classification and recognition rate of EEG signals. Based on the above selected three signal features, this paper proposes a EEG classification method based on SVM to classify EEG signals. The proposed feature extraction method is effective.
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R741.044;TN911.7

【參考文獻】

相關期刊論文 前10條

1 陳昕;張育平;陳海燕;;基于中介理論的多指標評估方法[J];計算機與現(xiàn)代化;2015年01期

2 馬玉良;許明珍;佘青山;高云園;孫曜;楊家強;;基于自適應閾值的腦電信號去噪方法[J];傳感技術學報;2014年10期

3 王姣;李振春;王德營;;基于CEEMD的地震數(shù)據(jù)小波閾值去噪方法研究[J];石油物探;2014年02期

4 李明愛;崔燕;楊金福;;腦電信號中眼電偽跡自動去除方法的研究[J];電子學報;2013年06期

5 周寧寧;洪龍;;基于中介真值程度度量的評價方法[J];計算機技術與發(fā)展;2012年12期

6 計瑜;沈繼忠;施錦河;;一種基于盲源分離的眼電偽跡自動去除方法[J];浙江大學學報(工學版);2013年03期

7 黃衛(wèi)東;劉寅卯;盛昭瀚;;數(shù)字化預案中基于中介邏輯的不確定事件表示[J];數(shù)學的實踐與認識;2011年23期

8 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[J];醫(yī)療衛(wèi)生裝備;2011年01期

9 黃思娟;吳效明;;基于能量特征的腦電信號特征提取與分類[J];傳感技術學報;2010年06期

10 周寧寧;趙正旭;秦文虎;;圖像的中介濾波算法與圖像中介保真度度量[J];電子學報;2008年05期

相關碩士學位論文 前2條

1 趙利民;基于運動想象的腦電信號特征提取與分類方法研究[D];太原理工大學;2016年

2 楊曉斌;基于MMTD的人臉識別方法研究[D];南京郵電大學;2012年

，

本文編號：1581281