【摘要】：對腦信號的模式分類一直是認知神經(jīng)科學(xué)中的研究熱點,不論是對功能磁共振信號和腦電圖、腦磁圖信號的學(xué)術(shù)研究方面,還是在實際應(yīng)用中。通過模式分類可以找出不同信號之間難以用常規(guī)分析方法得到的信息。除了分類以外,建立線性模型也是越來越常用的一種方法,近年來有越來越多的研究根據(jù)已有的研究成果對人腦的視覺區(qū)域尤其是初級視皮層進行建模,并用于重建視覺刺激特征。本文的研究主要針對的是腦電信號,研究目的是對兩個同時呈現(xiàn)的視覺刺激進行單獨的信號特征提取和多元模式分析。本文的主要工作內(nèi)容及成果有:1,設(shè)計了雙刺激頻率的穩(wěn)態(tài)視覺誘發(fā)電位(SSVEP)的刺激呈現(xiàn)范式,使用兩個刺激頻率,且每種刺激頻率由交替閃爍刺激頻率疊加組成,兩個刺激頻率分別呈現(xiàn)兩種視覺刺激,即有六種方向的光柵和有六種顏色的棋盤格。實驗分為注意方向的條件和注意顏色的條件。2,對實驗中出現(xiàn)的兩種視覺刺激分別計算了正向編碼模型,并在模型效果上得到了注意條件與非注意條件之間的顯著主效應(yīng),并通過模型的預(yù)測結(jié)果調(diào)節(jié)正向編碼模型的輸入特征以得到最優(yōu)的信號特征。3,使用多種方法來提取信號中與視覺刺激相關(guān)的特征,除了使用功率譜特征以外,提出了兩種信號特征提取方法,一是通過注意對穩(wěn)態(tài)視覺誘發(fā)電位的功率幅度調(diào)制機制,在信號的時頻圖中分別提取不同的信號特征,二是通過正向編碼模型來提取最優(yōu)的信噪比特征。4,使用三種信號特征,和三種不同的分類器,來進行多元模式分析,分類器包括棧式自編碼神經(jīng)網(wǎng)絡(luò)、線性判別分析、以及支持向量機三種分類器。首先進行的是不同顏色之間的六分類和不同方向之間的六分類,然后進行了注意方向與注意顏色兩種實驗條件之間的二分類。線性判別分析的六分類結(jié)果表明,在注意條件下的分類準(zhǔn)確率顯著高于隨機水平,并顯著性高于非注意條件下的分類準(zhǔn)確率。棧式自編碼神經(jīng)網(wǎng)絡(luò)在注意與非注意條件下的準(zhǔn)確率都高于隨機水平,但是未發(fā)現(xiàn)注意的主效應(yīng)。信噪比特征在該問題的二分類效果上不如功率譜特征,但在六分類的效果上更好。論文通過設(shè)計雙視覺刺激的實驗進行多元模式分析研究,提出了針對該問題的兩種特征提取方法,比較了多種分類器和信號特征的效果,可以為復(fù)雜視覺特征的多元模式分析提供一定的參考。
[Abstract]:Pattern classification of brain signals has always been a hot topic in cognitive neuroscience, both in the academic research of functional magnetic resonance signals and EEG, and in practical applications. Through pattern classification, we can find out the information between different signals which is difficult to get by conventional analysis method. In addition to classification, linear modeling is also an increasingly common method. In recent years, more and more research has been done to model the visual regions of the human brain, especially the primary visual cortex. And used to reconstruct visual stimulation features. The purpose of this study is to extract the features of two simultaneous visual stimuli and analyze the multiple patterns. The main contents and achievements of this paper are as follows: 1. The stimulus paradigm of the steady-state visual evoked potential (SSVEP) with double stimulus frequency is designed. Two stimulus frequencies are used, and each stimulus frequency is composed of alternating flicker stimulation frequency. The two stimuli present two kinds of visual stimuli, that is, grating with six directions and checkerboard with six colors. The experiment was divided into two aspects: the condition of attention direction and the condition of attention color. 2. The positive coding model was calculated for the two kinds of visual stimuli in the experiment, and the significant main effect between the attention condition and the non-attention condition was obtained in the effect of the model. The input features of the forward coding model are adjusted by the prediction results of the model to obtain the optimal signal characteristics. 3. Various methods are used to extract the visual stimulus-related features, except for the power spectrum features. Two signal feature extraction methods are proposed. One is to extract different signal features in the time-frequency map of the signal by paying attention to the power amplitude modulation mechanism of the steady-state visual evoked potential. The second is to extract the optimal signal-to-noise ratio (SNR) features by the forward coding model. 4. Three signal features and three different classifiers are used for multivariate pattern analysis. The classifiers include stack self-coding neural networks and linear discriminant analysis. And support vector machine three classifiers. First there are six classifications between different colors and six classifications between different directions. Then two classifications between the two experimental conditions of attention direction and attention color are carried out. The six classification results of linear discriminant analysis show that the classification accuracy under attention condition is significantly higher than that at random level and is significantly higher than that under non-attention condition. The accuracy of stack self-coding neural network is higher than that of random level under both attention and unattention conditions, but the main effect of attention is not found. The signal-to-noise ratio (SNR) feature is not as good as the power spectrum feature in the two-classification of the problem, but it is better in the six-classification. In this paper, by designing the experiment of dual visual stimulation, we study the multi-element pattern analysis, propose two feature extraction methods to solve this problem, and compare the effects of various classifiers and signal features. It can provide some reference for multiple pattern analysis of complex visual features.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R318;TN911.6

【相似文獻】

相關(guān)期刊論文 前10條

1 焦健，曾琪明;地理屬性和圖形屬性耦合的信息編碼模型[J];遙感學(xué)報;1998年04期

2 劉忠偉,章毓晉;利用顏色特征進行圖象檢索[J];電子技術(shù)應(yīng)用;1999年02期

3 胡波;毛罕平;張艷誠;;用于識別田間空心蓮子草的顏色特征的研究[J];農(nóng)機化研究;2006年09期

4 張正偉;;基于動態(tài)和顏色特征的火焰目標(biāo)檢測[J];科技資訊;2011年06期

5 李久永,李學(xué)群,普園媛,李天牧;計算機輔助農(nóng)產(chǎn)品分類應(yīng)用中顏色特征的表征和提取[J];云南大學(xué)學(xué)報(自然科學(xué)版);1998年S1期

6 成芳,應(yīng)義斌;基于顏色特征的稻種霉變檢測算法[J];農(nóng)業(yè)機械學(xué)報;2004年04期

7 周嘉姬;王濤;鐘寶榮;;基于顏色特征圖片的檢索技術(shù)[J];電腦知識與技術(shù)(學(xué)術(shù)交流);2007年04期

8 桂斌;;顏色傳輸算法的研究[J];微計算機信息;2010年05期

9 陳旋;曹毅;;基于顏色特征的嵌入式液態(tài)試劑檢測系統(tǒng)的設(shè)計與實現(xiàn)[J];計算機系統(tǒng)應(yīng)用;2010年07期

10 趙琰;周俊杰;;基于顏色特征的圖像摘要算法[J];上海電力學(xué)院學(xué)報;2010年05期

相關(guān)會議論文 前10條

1 崔翔宇;許百華;;顏色特征信息對客體檔案保持的影響[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

2 朱嘉瓏;;俄語顏色詞意義淺析[A];福建省外國語文學(xué)會2009年年會暨學(xué)術(shù)研討會論文集[C];2009年

3 委福祥;曲彥平;苑瑋琦;;鍍層腐蝕形貌圖像顏色特征的提取與分析[A];首屆信息獲取與處理學(xué)術(shù)會議論文集[C];2003年

4 黃勃;王寬全;李乃民;;基于像素的舌象顏色分析[A];第四次全國中西醫(yī)結(jié)合診斷學(xué)術(shù)研討會論文集[C];2010年

5 翟文鵬;吳愛國;杜春燕;;基于煙霧顏色特征和運動特征分析的視頻煙霧探測[A];第二十九屆中國控制會議論文集[C];2010年

6 林敏;;刺激頻率對注意缺陷多動障礙兒童喚醒水平的影響[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

7 吳成玉;邰曉英;趙杰煜;;基于顏色特征的圖像檢索方法與實現(xiàn)[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

8 朱偉濤;劉士榮;邱雪娜;;基于顏色和粒子濾波的視頻目標(biāo)檢測與跟蹤[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

9 郭忠偉;李洪峰;;C~3 I系統(tǒng)中基于顏色特征的戰(zhàn)場圖像快速檢索[A];中國造船工程學(xué)會電子技術(shù)學(xué)術(shù)委員會2006學(xué)術(shù)年會論文集（上冊）[C];2006年

10 李彥鋒;閻麗;潘美華;;視覺刺激模式對視覺功能缺損可塑性修復(fù)作用的神經(jīng)基礎(chǔ)研究[A];第一屆全國腦與認知科學(xué)學(xué)術(shù)研討會論文集[C];2005年

相關(guān)重要報紙文章 前5條

1 董嵐;藍色藍寶石之顏色分級[N];中國黃金報;2004年

2 成都監(jiān)測臺 吳或;基于顏色特征的網(wǎng)絡(luò)不良視頻檢測技術(shù)研究[N];電子報;2013年

3 張仁山;翡翠名稱的特征[N];中國礦業(yè)報;2003年

4 何屹;英研究表明視覺能觸發(fā)瘙癢[N];科技日報;2012年

5 白毅;中科院上海神經(jīng)所：發(fā)現(xiàn)果蠅具有基于經(jīng)驗的學(xué)習(xí)能力[N];中國醫(yī)藥報;2007年

相關(guān)博士學(xué)位論文 前10條

1 趙世杰;基于功能磁共振成像的大腦編碼和解碼技術(shù)的研究[D];西北工業(yè)大學(xué);2016年

2 王娟;基于計算機視覺的棉花干旱診斷研究[D];石河子大學(xué);2014年

3 白雪峰;足球視頻內(nèi)容分析關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2014年

4 遲瑩瑩;新舊客體顏色比例對預(yù)覽效應(yīng)的影響機制[D];東北師范大學(xué);2016年

5 劉麗;聯(lián)合信息在價值驅(qū)動注意捕獲中的作用[D];天津師范大學(xué);2017年

6 陳雁;紡織服裝顏色風(fēng)格的原理與應(yīng)用[D];蘇州大學(xué);2002年

7 肖學(xué)中;基于實例的顏色處理新技術(shù)研究[D];上海交通大學(xué);2009年

8 陸榮秀;基于顏色特征的鐠/釹萃取過程組分含量檢測方法研究[D];南昌大學(xué);2015年

9 戴天虹;基于計算機視覺的木質(zhì)板材顏色分類方法的研究[D];東北林業(yè)大學(xué);2008年

10 蔣孝鋒;服裝顏色明度對人情感的影響機制[D];蘇州大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 萬超楊;基于雙頻SSVEP的顏色和朝向特征提取[D];電子科技大學(xué);2017年

2 趙穎;有關(guān)歷代主要字詞典所收顏色詞的系統(tǒng)研究[D];山西師范大學(xué);2010年

3 許媛;洱海藍藻爆發(fā)識別的研究及工程實現(xiàn)[D];昆明理工大學(xué);2015年

4 沈新寧;基于顏色特征的快速圖像檢索技術(shù)的研究[D];復(fù)旦大學(xué);2014年

5 張晶晶;基于高光譜成像技術(shù)的杏成熟度判別研究[D];山西農(nóng)業(yè)大學(xué);2015年

6 韓大洋;提高人眼匹配顯示器到投影儀顏色再現(xiàn)精度的方法研究[D];云南師范大學(xué);2015年

7 唐欽;基于紋理和顏色特征的植物葉片識別方法研究[D];浙江大學(xué);2015年

8 任天威;基于stm32微處理器的顏色采集與分析[D];黑龍江大學(xué);2015年

9 許世杰;基于色差模型的色盲輔助矯正方法研究[D];西安電子科技大學(xué);2014年

10 周國慶;基于視覺顯著性的圖像目標(biāo)檢測設(shè)計與實現(xiàn)[D];西安電子科技大學(xué);2014年

，

本文編號：2361149