频带能量与样本熵在注意力脑电信号中的对比研究

脑电波是一种复杂的生物电信号,可反应出大脑内部的活动及注意力等精神状态。基于此,论文设计了注意力相关的脑电实验,并完成了受试者脑电数据的采集,对所采集的脑电数据分别从以下两种角度进行研究:从时频分析的角度,采用db4小波基对原始脑电信号进行7层小波包分解,提取了β波/θ波能量占比作为特征量;从非线性动力学的角度,提取脑电信号的样本熵作为特征,并分别对各受试者进行注意力的分级研究。通过对比分析,结果表明两者都能从一定程度上表征注意力水平的状况,但样本熵对于多级注意力的区分度更好。     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和误差逆传播(Error Back Propagation,BP)神经网络对视觉诱发脑电信号(visual evoked potential,VEP)进行分类而产生脑机接口控制信号.利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号,获取特征向量输入BP神经网络进行事件相关电位模式识别.实验表明,小渡变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取,BP神经网络能比较准确地从VEP中识别出事件相关电位,进行10次测试的平均识别正确率为99.375%,有利于产生脑机接口控制信号.     

模拟阅读脑-机接口异步化研究

“模拟阅读”脑机接口(BCI)工作在同步模式,而实际中使用者希望能在“工作/非工作”状态间自由切换,即异步化,针对该问题提出了利用闭眼固定时间的脑电信号作为两种状态间转换开关的方法。首先设计了实验方案;然后对采集的脑电图(EEG)信号分别在时域和频域进行特征提取,对时域特征利用支持向量机(SVM)和K-means分类器进行分类,对频域特征用SVM分类。时域最高识别率分别为91.25%和89.17%,平均分类所需时间分别为1.89s和0.11s,频域最高识别率和平均识别率分别为86.25%和81.875%。实验结果表明该实验模式能实现两种状态自由切换的目的。     

一种基于分块和多图层技术的医学影像处理方法

通常医生利用医学影像阅片系统进行阅片辅助诊断时,由于需要频繁操作,影像要实时更新,同时诊断时对影像分辨率要求较高,医学影像数据量很大,从而造成影像传输缓慢,更新迟滞等问题.针对这些问题提出了基于分块和多图层技术的医学影像处理方法.实验结果表明,与传统方法相比,显著提高了显示影像的分辨率,加快了影像的传输效率.影像放大倍数越大,传输效率越高.当影像放大二倍三倍时,影像的反应时间分别减少了40％和60％.     

张量时频空模式在脑电信号特征提取中的研究

为了提高脑机接口系统的分类准确率,论文对张量时频空模式分析特征提取算法进行了研究.该算法能够得到多维度上最佳分类特征,应用在模拟阅读脑-机接口脑电信号的特征提取中,与共空间模式相比,张量时频空模式能够得到更高的分类准确率.     

通道选择对诱发脑电单次提取精度影响的研究

采用“模拟自然阅读”诱发电位作为人脑和计算机之间的通信载体,用支持向量机从脑电中提取诱发电位。以被试4个通道记录到的脑电信号分别作为特征,信号时程固定为300ms,时段分别取100ms~400ms、200ms~500ms和300ms~600ms。三个被试的单通道最佳分类结果分别达到95.9%（被试M,通道Cz,300ms~600ms时段）,94.3%（被试H,通道Oz,100ms~400ms时段）和93.8%（被试T,通道Oz,200ms~500ms时段）。这一结果为简化脑—机接口设计打下了良好的基础。     

ADS1298模拟前端的便携式生理信号采集系统

介绍了一种便携式多功能生理信号采集装置,用户通过简单设置及选择相应电极,可分别进行脑电和心电数据的实时采集,并能对数据进行显示和存储。它具有精度高、体积小、功耗低等特点。该系统下位机主要由ST公司的STM32单片机STM32F103和TI公司的ADS1298模拟前端IC构成,省去了大量的外围电路。下位机通过USB2．0...     

一种基于DSP的脑机接口硬件系统设计

为了实现脑机接口系统的便携性,提高脑机接口信号传输的通信速率,本系统应用高性能信号处理器TMS320VC5402DSP作为核心芯片,设计了一种基于DSP的脑机接口硬件系统。在DSP系统设计中,应用多通道缓冲串口（McBSP）实现了DSP与模数转换器（A／D）的接口设计;扩展了可以实现上电自动加载的FLASH;应用通用串行总线USB接口实现DSP系统与上位机的通信。本文详细介绍了这一种基于DSP芯片的脑机接口系统的硬件组成和工作原理,包括各模块的芯片选择和接口设计,并运用VISIO和PROTEL软件绘制了框图及电路图,为后续的工作打下了基础。     

基于PCANet和SVM的谎言测试研究

主成分分析网络（Principal Component Analysis Network,PCANet）是基于深度学习理论的一种非监督式的特征提取方法,它克服了手工提取特征的缺点,目前其有效性仅仅在图像处理领域中得到了验证。本文针对当前谎言测试方法中脑电信号特征提取困难的缺点,首次将PCANet方法应用到一维信号的特征提取领域,并对测谎实验的原始脑电信号提取特征,然后使用支持向量机（Support Vector Machine,SVM）将说谎者和诚实者的两类信号进行分类识别,将实验结果和其它分类器及未使用特征提取的分类效果进行了比较。实验结果显示相对未抽取任何特征的方法,提出的方法PCANet－SVM可以获得更高的训练和测试准确率,表明了PCANet方法对于脑电信号特征提取的有效性,也为基于脑电信号的测谎提供了一种新的途径。     

基于相位延迟指数的脑功能网络及测谎研究

在脑认知科学领域,越来越多的研究开始专注于利用不同导联脑电信号之间的相互依赖关系来研究大脑整体认知功能.相位延迟指数可有效减少由容积导体引起的误差,该方法已被广泛应用.而基于图论的脑网络研究方法在测谎方面还少见报道.本文通过对30名（诚实和说谎）受试者的脑电信号进行网络拓扑分析,将网络参数作为判别指标,使用支持向量机对实验数据进行分类.研究发现,两组受试者的小世界指标表现出显著的统计学差异,且得到较高的测谎准确率,结果证明了利用相位延迟指数方法进行图论分析的测谎有效性.