一、现代信号处理理论在脑磁研究中的应用（论文文献综述）
张亚飞[1]（2020）在《抑郁症脑磁图的微态特征及相关性研究》文中提出抑郁症作为一种情感障碍型疾病,具有发病机理复杂问题。抑郁症患者表现出一种悲观情绪,更有甚者选择自杀。脑磁图作为一种无损伤、无侵害的技术,它以较高的时空分辨率等优点,逐渐被使用到了抑郁症的研究中。本文对6名抑郁症患者和9名健康受试者的脑磁图的微态序列的特征及相关性进行研究,主要研究包括以下三个部分。第一、对抑郁症脑磁图的微态特征进行研究,本文发现使用聚类为4的改进的KMeans算法效果最佳。微态特征实验结果表明,抑郁症患者组和健康对照组在中央区和额区差异性显着。抑郁症患者组在负性情绪图片刺激下的熵明显大于健康对照组,并且抑郁症患者组在正性、中性和负性情绪图片刺激下的熵率均大于健康对照组,说明在负性情绪图片刺激下,抑郁症患者组的脑磁图的混乱程度高于健康对照组,且在三种不同情绪图片刺激下,抑郁症患者组的混乱度的变化率均大于健康对照组。另外发现抑郁症患者组和健康对照组的微态序列都拒绝了低阶（0阶、1阶和2阶）马尔科夫假设,接受对称性假设,同时抑郁症患者组在不同刺激下都拒绝了平稳性假设,而健康对照组仅在负性情绪图片刺激下接受了平稳性假设。第二、对抑郁症脑磁图的延迟时间互信息进行研究,本文使用了延迟时间互信息作为评估相关性的标准。延迟时间互信息的实验结果表明,在中性情绪图片刺激下,抑郁症患者组在中央区和额区的延迟时间互信息远低于健康对照组,说明抑郁症患者组在中央区和额区的脑磁图信号的相关性小于健康对照组。另外发现在中性和负性情绪图片刺激下,抑郁症患者组的延迟时间互信息减小的速度慢于健康对照组,而在正性情绪图片刺激下相反,这可能与抑郁症患者对正性情绪图片刺激不敏感有关。第三、对抑郁症脑磁图的长程相关性进行研究,本文使用Hurst指数作为评估长程相关性的标准。长程相关性的实验结果表明,抑郁症患者组和健康对照组的Hurst指数均大于0.5,说明它们都具有长程相关性,且表现为持续性特点。在中性情绪图片刺激下,抑郁症患者组在中央区、额区以及它们的左右部位的持续性强度均小于健康对照组。另外发现在不同情绪图片刺激下,抑郁症患者组的中央区和额区的左右部位的持续性强度具有明显的强弱关系,而健康对照组没有区分度。本文对抑郁症患者组和健康对照组的脑磁图的微态特征及相关性进行对比,发现在中央区和额区的差异性明显,且在中性情绪图片刺激下最为显着,说明基于脑磁图的微态特征及相关性研究可以较好区别抑郁症患者组和健康对照组,可以为抑郁症的临床诊断提供参考。
陆云[2]（2020）在《基于脑电的听觉注意解码与情绪识别的认知计算研究》文中研究表明随着智能科学的发展,人工智能技术已取得了日新月异的进步,在一些应用中,现有人工智能已展现出了超越人类的解决问题能力和技术优势。近年来运用认知计算进行类脑人工智能技术开发,成为了研究者关注的焦点。现有的人工智能技术,虽然借助大数据分析和以深度学习为代表的机器学习方法实现了一定程度的类脑智能,但依旧没有获得跨越式的技术发展。面对复杂声音事件中听觉识别、语音理解以及情感决策等任务,现有的智能算法与信号处理技术依然表现得无能为力,而这些任务对人类而言人们凭借心理的觉察、注意、情绪认知等智能,往往能够轻易完成。这种认知智能是现有人工智能技术还不能轻易达到的。本文以听觉注意和心理情绪为研究对象,旨在从脑电活动中探索心理状态解码的认知计算方法,研究听觉目标注意识别、听觉选择性注意解码和跨个体心理情绪状态识别的认知计算方法构建与实现技术,赋予认知计算系统具有像人一样的注意认知智能和情绪感知智能,主要内容如下:对脑电信号解码方法展开了深入研究与分析。鉴于时间序列分解与重构方法和熵测度相结合的技术优势能够有效提高脑电信号解码性能,本文利用奇异谱分析（SSA）和熵测度相结合的方法来构建脑电信号解码方法。所设计的脑电解码方法先使用SSA方法从脑电信号中分解得到各阶SSA分量;然后基于脑电信号SSA分量,采用熵测度方法进行脑电熵特征提取;最后利用支持向量机作为模式分类器开展脑电信号解码任务。实验采用不同眼睛状态的脑电信号为例进行脑电解码性能测试。实验结果表明,所提出的脑电信号解码方法有效地提高了脑电信号解码的准确率,实现了眼睛状态的脑电识别任务的性能优化。对熵测度快速计算方法展开了深入研究与分析。为了提高近似熵、样本熵、多尺度熵等熵测度计算效率以增强其应用潜力,本文利用向量不相似判定准则来实现熵测度快速计算。该快速计算方法对熵测度计算步骤中最耗时的向量距离计算进行优化,通过构建一个向量不相似判断准则,在向量距离计算开始前对不相似向量进行预判断。实验利用仿真信号和真实脑电数据展开样本熵、近似熵、时移多尺度熵计算的时间性能测试,实验结果表明与传统方法的熵测度计算相比较,该熵测度快速计算方法能显着地降低算法的执行时间,有效提高了熵测度计算效率。对基于单次脑电信号的听觉注意解码展开了深入研究。利用脑电熵测度与机器学习相结合的方法,基于单次脑电信号建立了一种听觉目标注意识别方法。实验设计了包含三种听觉目标注意状态的听觉实验,采集了13名受试者的认知脑电数据进行研究。实验结果显示这一方法能够有效从单次脑电信号中实现听觉目标注意状态识别。本文还利用深度LSTM神经网络构建了一种听觉选择性注意解码方法。通过两说话人双耳分听范式的听觉实验,采集了21名受试者的认知脑电数据进行实验研究。实验数据显示所提出的方法对受试者听觉选择性注意的目标语音识别,获得优异的识别准确率。实验结果充分表明基于LSTM模型的听觉选择性注意解码方法能够从单次脑电信号中对听觉选择性注意实现高精度的解码。对基于脑电信号的跨个体心理情绪状态识别展开了深入研究。脑电情绪响应的个体差异性容易导致情绪识别方法的普适性及泛化能力存在局限性,本文利用动态样本熵模式学习构建了一种跨个体情绪识别方法。实验利用脑电情感数据集SEED对15名受试者开展跨个体情绪识别。通过与已有的相关研究结果比较,实验结果表明所提出的基于动态样本熵模式学习具有更有好的跨个体情绪识别性能,表现出了更好的普适性与泛化能力。所构建的跨个体情绪状态识别的认知计算方法,实现了脑电情绪模式识别的优化与创新,能够从脑电信号中对人们的心理情绪状态进行有效预测。本文通过对听觉注意与心理情绪状态的脑电解码研究,从脑电活动中构建了心理状态解码的认知计算方法,能够对相关心理状态进行预测,可赋予认知计算系统拥有像人一样的注意认知智能和情绪感知智能。
田永胜[3]（2020）在《基于稀疏共空间模式和正则化判别分析方法的脑电运动意图识别研究》文中研究说明脑-机接口（BCI）是使人可以在跳过外围神经系统和肌肉的情况下,只需采集大脑发出的信号便可实现与计算机或者其他设备通信的系统。而诸如运动想象脑电信号（EEG）的主动式脑电信号分类又是脑-机接口系统中的重要问题。但目前运动想象脑电信号等应用仍然需要采集多通道的脑电信号并且识别准确度往往难以达到要求。而脑电信号处理过程中预处理、特征提取以及任务分类都会影响到整个分类结果。本文以运动想象脑电信号为研究对象,通过实验分析确定了最佳预处理方法,并提出了脑电信号的稀疏特征提取和正则化的判别分析方法,最终提高整个判别系统的分类性能。论文的主要工作内容如下:（1）通过查阅资料获取公开数据集,并自主设计实验获取到自主实验数据集,在这两种数据集下展开研究。信号的预处理往往对信号的分类有着重要的影响,为此,本文分别对两种数据集验证了不同方式的预处理方法,通过得到的结果选择较优的预处理手段对原始脑电信号进行了相应的滤波处理。（2）针对多通道脑电信号分类识别中各通道数据以及空间滤波器的数据选择方面往往缺乏有效的策略这一问题,提出了一种新的特征提取算法:稀疏共空间模式（SCSP）算法。采用稀疏共空间模式可以有效克服传统共空间模式（CSP）算法提取的特征向量空间会存在特征模式重复选取的问题,提取的特征差异更明显。在公开数据集第Ⅳ届BCI比赛数据集I上的实验结果验证了改进算法那的有效性。（3）针对传统线性判别分析方法无法处理的矩阵分解中遇到奇异值的问题,本文通过加入正则化参数形成正则化判别分析,克服了线性判别分析的不足并提高了分类任务准确度,在公开数据集第Ⅳ届BCI比赛数据集I和自主实验数据集上的实验结果都证明了改进算法的有效性。
陈锐[4]（2020）在《运动想象脑电波数据分析》文中进行了进一步梳理准确高效地对脑电信号（Electroencephalogram,EEG）进行分析处理,对于探索大脑功能、治疗脑科疾病和实现脑机接口具有重要的意义和价值。脑电信号处理的速率和准确率是制约脑电技术研究和应用的瓶颈,有鉴于此,本文对脑电波信号处理进行了研究,利用支持向量机（Support Vector Machine,SVM）方法,并选取了线性、非线性以及多项式三种核函数,分别计算了单次运动想象脑电波信号的分类准确率。本文的主要内容包括脑电信号的相关知识概述、实验、总结与展望三个板块。其中第一板块主要介绍了脑电信号的产生机制、采集方法和过程以及国内外的研究进展。第二个板块实验与分析是本文的重点。实验采集了21位19-23岁的被试在想象向前、向后等五个不同方向运动时的脑电波信号,对采集到的信号进行滤波、独立成分分析以及手动去噪等严格的预处理后,再利用SVM对数据进行分类。SVM中三种不同的核函数分类结果可知,线性核函数的分类正确率为77%,一类错误率为9%,二类错误率为14%,相比非线性核函数和多项式核函数分类结果更好。因此,在使用SVM对运动想象脑电波数据进行分类时可以选择线性核函数。第三个板块对本文进行了全面的总结,并对脑电信号的研究以及分类方法的发展进行展望。
袁自震[5]（2019）在《基于改进的排列熵和条件熵的抑郁症脑磁图研究》文中研究表明抑郁症是一类情感障碍疾病,主要特点是情绪抑郁、闷闷不乐,它不仅会让患者情绪低落,而且还会让患者缺乏自信,并且在任何有趣的活动中都无法体会到快乐。由于抑郁症的发病机制、临床诊断比较复杂,而脑磁图是一种无侵袭,无损伤的脑功能检测技术,所以在抑郁症的研究中,脑磁图得到了广泛的应用。大脑是一个复杂的非线性动力学系统,使用复杂度对脑磁图信号进行研究是非常有意义的。本文分别使用排列熵、改进的排列熵、条件熵三种方法对健康样本和抑郁症患者在不同情绪图片刺激下的脑磁图信号进行研究。第一、在使用排列熵分析脑磁图数据的实验中,首先通过实验选取合适的参数,结果证明嵌入维数取4的时候差异性最为明显;然后对比正性、中性和负性情绪刺激下的健康样本和抑郁症患者的排列熵值发现,健康人绝大多数通道的熵值都大于抑郁症患者,并且额区的差异更为明显,额区对应的是大脑皮层的额叶前部,其主要功能是调节人的情绪,此结果说明抑郁症患者对于情绪的调节能力相较于健康人来说还是有一定差异的。最后对比同一样本在不同情绪刺激下的排列熵值发现,抑郁症患者在正性情绪刺激下的熵值大于负性情绪刺激下的熵值,且差异明显。第二、使用改进的排列熵算法研究脑磁图信号的实验中,结果表明,健康人在正性、中性和负性情绪刺激下的改进的排列熵值都要大于抑郁症患者的排列熵值,额区的左右对称通道能够很好的区分出两类实验对象,而且在大脑同一区域的非对称通道中,右额区比左额区能更好的区分出健康样本和抑郁症患者,且健康样本的改进的排列熵值比患者大,说明健康人大脑的复杂度高于患者的复杂度。第三、使用条件熵算法研究脑磁图信号的实验中,首先通过实验选取合适的参数,然后分别计算在正性、中性和负性情绪刺激下健康人和抑郁症患者的条件熵值以及同一实验对象在三种不同情绪刺激下的条件熵值,实验结果表明,健康人的绝大多数通道的条件熵值都比抑郁症患者的熵值大,抑郁症患者的大部分通道在正性情绪刺激下的熵值大于中性情绪刺激下的熵值,而中性情绪刺激下的熵值大于负性情绪刺激下的熵值,健康人的所有脑区的条件熵都比抑郁症患者的大,并且两类实验对象的条件熵在额区的差异最显着。
肖征东[6]（2019）在《基于大鼠皮层锋电位及LFP信号的急性疼痛解码算法研究》文中提出大脑是神经系统中的高级中枢,负责机体的一切认知功能,而研究大脑的结构和功能,则成为了当前最热门的科学领域。疼痛是一种复杂的感官体验,也是困扰当今人类健康最严重的问题。解码疼痛神经信号一直以来都是神经科学领域重要的研究课题,它不仅能够帮助人们理解大脑处理疼痛信号的机制,进而推动新的治疗策略的产生,而且还将对临床以及闭环脑机接口产生重要的指导意义和应用价值。首先,针对从不同生理状态下的大鼠上记录得到的多模态的神经信号,本文从多个角度对疼痛问题进行了深入研究。通过将动物行为与神经生理记录相结合,来识别假定的自发性疼痛事件,并在诱发性疼痛和自发性疼痛之间均发现了不同的多模态神经响应:1)无论是正常还是处于慢性疼痛状态下的大鼠,初级体感皮层（primary somatosensory cortex,S1）中幅相耦合（phase-amplitude coupling,PAC）程度要强于前扣带皮层（anterior cingulate cortex,ACC）中的幅相耦合程度;2)在自发性疼痛期间,疼痛行为发生前S1中的 γ-ERS/ERD（event-relateddesynchronization/synchronization）与疼痛行为发生后的 ACC中的β-ERS/ERD相关;3)在诱发性疼痛期间,ACC和S1中疼痛调制（pain-modulated）神经元的发放率与由刺激诱发（stimulus-evoked）的事件相关电位（event-related potential,ERP）的振幅相关;4)ACC和S1中的集群锋电位和局部场电位（local field potential,LFP）为检测疼痛信号提供了重要信息。这些结果共同表明,无论在LFP还是细胞层面上,诱发性疼痛和自发性疼痛之间都存在着截然不同的神经机制,同样也指出了 ACC和S1在疼痛过程中编码作用的不同。其次,基于神经元集群锋电位数据,在泊松动态系统（poisson linear dynamic system,PLDS）模型的基础上,本文从提高急性疼痛检测精度的角度出发,提出了一种称之为”突变点检测器集成”（ensemble of change-point detectors,ECPDs）的解码算法。该算法利用集成学习的思想,通过整合一系列相互独立的“弱”检测器并制定多数投票机制来达到提升检测精度的目的。在多个计算机仿真数据以及真实实验记录数据的测试结果表明,本文提出的ECPDs的集成解码算法的检测性能要明显优于单检测器的性能。最后,基于LFP信号,本文首先通过对不同生理状态下大鼠的急性疼痛的强度进行了解码分析,证明了使用LFP信号来检测急性疼痛的可行性。根据LFP信号中theta频段和high-gamma频段的功率特征在区分疼痛强度研究中所发挥的作用,本文还提出了一种基于稳态卡尔曼滤波的检测急性疼痛信号的方法,通过在多个实验记录上进行验证,平均真阳性率达到了 80%以上,假阳性率低于20%。
刘亚琳[7]（2019）在《基于迁移学习的脑磁图解码研究》文中提出脑机接口是在人类大脑与电子设备之间建立的一种不依赖于外围神经和肌肉组织的直接的通讯和控制通道。它让人类通过脑信号同外界环境交流成为可能,让人类不需要语言或者动作而可以直接通过大脑来表达想法或操纵设备。脑磁图正迅速成为不可或缺的非侵入式脑成像技术。通过使用专业的仪器,脑磁图可以检测大脑中神经元群发出的微弱磁性活动,并且只有脑磁图可以精确定位并记录这些信号比地球磁场小约十亿倍的毫秒级现象。传统的脑磁图解码算法过分依赖于训练样本的数量,以及训练样本与测试样本在相同特征空间中分布的一致性。实际应用过程中,很难满足以上条件,因此限制了不同受试者之间的训练数据或训练模型的可迁移性。本文针对上述问题,将迁移学习的思想应用于跨受试者的脑磁图解码中。通过回顾在脑解码中取得令人满意的结果的迁移学习技术,本文提出了三种跨受试者的脑磁图解码方法,具体研究内容如下:本文根据黎曼流形上的点与切空间中切向量的对应关系,在切空间中找到不同受试者脑磁图样本协方差阵特征之间相同的特征子空间进行映射,实现了基于黎曼流形学习的跨受试者脑磁图解码。本文将每个受试者视为一项任务,假设每个受试者的学习模型具有相同的结构,通过共享模型参数之间的先验分布信息,在基于贝叶斯的多任务学习框架的基础上,提出了改进的多任务学习框架。在黎曼流形学习和改进的多任务学习框架的基础上,本文提出一种联合算法,通过结合黎曼流形学习的特征提取和多任务学习框架的分类过程,实现基于特征-模型的迁移,进一步提高了跨受试者的脑磁图解码的性能。本文实验采用16个受试者在目标视觉刺激检测任务中的脑磁图数据集,验证了以上三种算法的有效性。
何曦[8]（2019）在《脑波可视化技术的研究与实现》文中研究说明21世纪的重要科学技术包含了脑科学技术和计算机技术。随着脑科学技术的进步,人们对于大脑活动的认识不断地深入。近年来,人们已经能通过脑电波（Electroencephalogram,EEG）等脑波信号从脑电信号、脑磁信号等方面对于大脑活动进行直观的了解。在这其中,由于其成本的低廉性和使用的方便性,脑电波信号已经成为使用较为广泛的方式。另一方面,随着人工智能技术的理论突破,包括生成对抗网络在内的新技术被提出并迅速在各个领域中得到应用。使用人工智能中的新算法、新模型用于脑波信号分析已经成为一个方兴未艾的具有希望的领域。我们的研究旨在将脑波信号可视化,从而探究人类认识能力。文章的主要内容如下:在脑电数据集的处理中,介绍了一些传统方法,但是这些传统方法不能较好地满足需求,因此对其进行了不同程度的改进。然后介绍了本文用到的相关技术,主要包括脑机接口技术、数据可视化技术、生成对抗网络GAN等。在这其中,对脑机接口技术中的脑电波信号采集和基于脑电波信号的脑机接口进行了介绍,以癫痫治疗为例说明了脑电波信号的应用。在数据集和相关技术的基础上,训练了标准图像分类器和脑电波分类器,这样的目的是为了判别脑电波生成图像的正确性,为脑电波生成实验打下较好的基础。对EEG信号的处理及脑波可视化技术进行了研究。由于EEG是非线性、非平稳的随机过程,因此在传统信号处理方法中,引入了相关维度、熵、小波变换等多种数学技巧。值得说明的是,传统方法也能够实现对例如癫痫等脑科疾病的实时检查等医疗应用。但是对于认识意识等人类深层次的思维活动,传统方式无法以直观的方式显示思维的内容。在脑波可视化领域,介绍了发展迅速的生成对抗网络GAN,采用适当方式采集一定规格的脑电波信号,并以一定的损失函数及C+D+G的结构训练GAN,其中C指已训练好的分类器,D指试图鉴别真假图片的鉴别器,G指试图以高斯噪声生成假图片并欺骗鉴别网络的生成器。值得一提的是采取了额外的高斯层以解决脑电波样本集太小的问题。然后利用已经训练好的标准图像分类器对生成结果进行检验,结果证明分类效果较好。达到实验预期。
常文文[9]（2019）在《面向脑机接口的多模态认知隐藏信息特征检测与识别研究》文中研究指明认知隐藏信息检测或测谎在国家安全、司法和职员筛选等领域有着特殊的作用。传统的多导测试仪在一些国家的某些领域得到了较为普遍的应用,但其科学性和有效性一直受到一些科学家的质疑。要想将其作为法律依据独立应用于司法系统和国家安全领域,除了加强其测试理论和分析方法的研究,同时更需要探索其他替代技术和改进方法来提高检测的准确率和可靠性。近年来,随着脑与认知神经科学研究方法及脑成像技术的发展,基于脑机接口（Brain Computer Interface,BCI）的认知隐藏信息检测技术得到了广泛关注和快速发展。广义上来讲,认知隐藏信息检测通常指隐藏信息测试（Concealed Information Test,CIT）过程,是测谎的一种实现形式。说谎,其本质来讲是一种复杂的认知过程,涉及一系列高级认知功能。而脑机接口技术和脑成像分析方法能够较为直观地反映大脑的这种认知活动,只有在对说谎对应的脑工作机制和认知过程有了充分的认识之后,才有可能设计出更加有效的检测系统。同时,随着机器学习算法的发展以及在人工智能中的应用,将脑机接口技术与机器学习方法相结合,建立基于脑机接口的模式判别系统对隐藏信息的检测具有十分重要的意义。本文基于脑机接口系统和实验室测谎范式,设计了基于视、听、触觉刺激的多模态隐藏信息检测实验,通过对全脑区多通道脑电（Electroencephalogram,EEG）信号的分析,从时、频、空间域以及脑功能网络连接的角度对说谎和真实状态下的大脑活动特征展开详细研究,并结合模式识别算法完成对实验中说谎和真实状态的分类识别。本文的主要工作和创新点体现在以下几个方面:1、提出了基于多通道P300幅值几何差的时域检测方法和基于网络结构中“关键节点特征比”的空域检测方法。为了研究隐藏信息检测过程中说谎状态对应各脑区脑电信号的时-频-空域特征,设计了面向脑机接口的视觉刺激隐藏信息检测实验,对说谎和真实状态下的脑电信号展开全脑域分析。在时域几何差的分析方法中,发现说谎组对应靶刺激和无关刺激之间的几何差明显大于靶刺激和探测刺激之间的几何差;而在真实组中,两种差值之间并没有发现显着区别。在空间域的分析方法中,发现说谎组中靶刺激和无关刺激之间的关键节点特征比明显不同于靶刺激和探测刺激之间的比值,但在真实组中并没有如此明显的差别。利用这些显着差异便可实现对说谎和真实状态的分类识别,实验结果表明这两种方法都具有较高的识别正确率,验证了方法的有效性。2、提出了基于EEG二值网络特征和支持向量机的隐藏信息检测方法。为了对隐藏信息检测过程中说谎状态对应脑功能网络展开定量分析,从而实现检测过程的计算机化,设计了新的面向脑机接口的视觉图片刺激和听觉音频刺激检测实验,构建了不同状态下基于非线性相互依赖指数的二值网络,结合网络特征参数和支持向量机实现对说谎和真实状态的特征识别,测试结果得到了较高的分类正确率,证实该方法是可行有效的。对不同状态网络特征参数的对比分析发现,在视觉和听觉刺激作用下,脑功能网络都表现出小世界特性,同时说谎状态对应网络小世界特性增强。此外,还发现视觉刺激和听觉刺激对应检测效果之间并没有显着的区别,但是视觉刺激的整体识别率要高于听觉刺激。本文首次将脑功能网络的分析方法应用到隐藏信息检测中,测试效果良好,为隐藏信息检测和对应脑认知机制的研究提供了新的研究途径和思路。3、提出了基于EEG加权网络特征和量子神经网络分类器的检测方法。二值网络的主要缺点是通过阂值筛选之后网络会丢失一些有价值的信息,而加权网络能够更加真实地表现网络的连接关系。基于上述二值网络研究结果,设计了面向脑机接口的视听同步刺激隐藏信息检测实验,并完成同视觉刺激作用下测试效果的对比。通过相位延迟指数构建不同状态对应的加权功能网络,此外本文提出了全局特征熵的概念,用以实现对全脑整体复杂度的定量表征。最后,本文设计并实现了量子门节点神经网络分类器,结合加权网络特征参数和全局特征熵完成对隐藏信息的检测。实验结果表明该方法也能较好地识别说谎和真实状态,验证了其有效性。对视听同步和视觉刺激的对比分析发现,结合视觉和听觉刺激的测试效果要优于单纯的视觉刺激的效果,也为多模态刺激的融合提供了实验依据。4、构建了熟人和陌生人信息诱发脑电信号对应的因果网络,提出了基于网络“流度比”的阈值选择方法。大脑的认知过程涉及不同脑区间的相互协调和配合,但在说谎过程中不同脑区间的信息具体是如何传递的,以及脑区间是否存在某种依赖关系,仅通过上述同步分析是无法解答的。隐藏信息检测的主要依据是大脑对熟知的人物信息的反应不同于对陌生人物信息的反应。因此,基于上述实验中视听同步刺激的测试数据,分别对熟人和陌生人信息诱发脑电信号在Delta、Theta、Beta和Alpha四个波段内使用传递熵构建对应的有向功能网络,通过计算各频段内对应网络节点的流度比实现对网络的重点筛选,并完成对应网络特征量的对比分析。结果发现熟人和陌生人信息诱发有向功能网络中核心节点的位置以及不同脑区间信息流向存在不同程度的差异,表明不同脑区对熟人信息的认知参与程度不同于对陌生人信息的认知参与过程。本文基于有向功能网络特征的分析,对理解大脑对是否熟知的信息的认知反映以及认知过程中脑区间信息的流动具有重要的现实意义,同时为探索除P300之外的其他波段信号在CIT中的应用具有一定的借鉴意义。5、采用六种分别表征信号间时域和频域、线性和非线性以及一般同步和相位同步的分析方法对隐藏信息检测过程中说谎和真实状态对应网络特征展开对比分析,找到适用于CIT中网络构建的最佳分析方法。可用于功能网络构建的同步性分析方法众多,但不同方法其理论依据和计算过程各不相同,对同一组信号间依赖关系的表征因此也不尽相同,会对隐藏信息检测的效果产生一定的影响。本文基于图论理论,对面向脑机接口的隐藏信息检测过程中说谎和真实状态对应不同脑网络结构展开对比分析。结果发现,相比真实状态,网络结构在说谎状态下连接强度增强、小世界特性增强,两种状态间网络特征参数表现出统计性显着差异。此外,对比线性和非线性,以及时域和频域分析方法对应的网络特征,发现这些方法之间并不存在显着差异,而通过互信息构建的功能网络其特征量对两种状态的区别效果最佳。该结果为面向脑机接口的隐藏信息检测中脑功能网络构建方法的选择提供了重要参考。6、提出了面向脑机接口的视觉刺激和触觉反馈的CIT分析方法。触觉感知是人体除视听感知之外的另一种非常重要的感知系统,是实现脑机交互的一个重要感官通道,新一代面向脑机接口的隐藏信息检测系统将是基于多刺激模态、结合虚拟现实技术和人工智能的综合性测试系统。同时触觉反馈刺激的引入对应对反测谎CIT系统的设计具有一定的价值,因此首先需要清楚触觉刺激作用下的脑认知机理和信息处理过程。本文设计了单向感知的多稳态触觉刺激实验和人在回路中存在感知反馈的邻近阈值触觉刺激实验,通过同步记录触觉刺激诱发的脑电信号实现对感知过程中大脑认知特征的研究。结果发现,在多稳态触觉感知实验中,并不存在不同感知状态之间的脑神经活动差异;而邻近阂值刺激实验能够较好地表现被试对触觉刺激的感知过程,此外还发现大脑的感知状态越确定,其活跃程度就越低。基于上述结论,本文将邻近阈值触觉刺激引入到面向脑机接口的视觉CIT实验中,通过在视觉刺激之前加入触觉反馈来应对检测过程中可能出现的反测谎手段,实验结果表明,该实验模式在应对反测试时有较好的效果,而触觉刺激的加入并不影响大脑对隐藏信息的检测过程,从而可提高CIT系统的稳定性和可靠性。本文对面向脑机接口的隐藏信息检测过程中脑电信号的时-频-空域特征以及脑功能网络结构的研究,首次从全脑不同脑区的角度对说谎过程中脑神经活动开展了较为详细的分析,对理解说谎过程对应的大脑认知机制具有重要的参考价值;同时对视、听、触觉刺激范式下的脑认知活动进行了详细分析,为面向脑机接口的多模态隐藏信息检测系统开发提供了理论依据。同时本文提出的几种隐藏信息检测方法在理论研究和实际应用中具有一定的借鉴意义和参考价值。
唐景昇[10]（2018）在《移动机器人脑控关键技术研究》文中研究指明脑机接口（brain computer interface,BCI）是一种在大脑和机器之间直接建立信息传输通道的技术,其发展的初衷是给丧失运动功能的用户提供运动辅助从而提升他们的生活质量。随着技术的发展,能够为患者提供上肢和下肢运动辅助的脑控机械臂和脑控轮椅均已出现。然而目前,这些系统在功能的完善度、人机交互的友好度、复杂场景的适应度、服务用户的智能度等方面仍然存在不足,急需要理论和技术上的深入研究支撑这门技术的实用化发展。针对此问题,本文提出了脑控移动机器人系统架构,进而围绕脑控移动机器人系统实现中涉及的混合脑机接口,异步脑机接口理论方法,人机共享自主性分析理论,人机协同设计等理论方法,以及实现脑控移动机器人系统的集成与管理等技术问题,开展了细致的研究,本文的主要内容如下:1.对脑控移动平台进行了软硬件优化设计,通过集成基于全向移动底盘的轮椅、灵巧机械臂、Kinect摄像头、超声波传感器和激光雷达等,构建了一个具有环境感知能力的载人机器人平台;系统各个功能模块在机器人操作系统（robot operating system,ROS）下实现,确保系统可靠、高效运行。另外,面向脑机接口-机器人应用程序的开发,设计了BCI-ROS编程框架。该框架遵守机器人操作系统通讯协议,设计了EEG信号传输的容错纠错机制、优化了信号标记与EEG信号之间的同步以及GUI程序的设计优化等,改善了程序框架运行的效率和稳定性,为本文进行移动机器人脑机操控技术研究奠定了基础。2.围绕P300脑机接口的优化设计进行了研究,主要包括异步P300-BCI优化设计和快速P300-BCI的设计。其中在异步P300-BCI的优化设计方面,建立了异步P300-BCI的实际信息传输率（asynchronous-BCI practical information transfer rate,APITR）计算方法,确立了异步脑机接口性能优化目标,设计了以APITR为优化目标的多参数优化方法。该方法为异步P300-BCI的设计提供给了规范和科学的方法,实验测试结果表明,使用该方法标定的分类器在性能上最高有20%左右的提升;在快速P300-BCI设计方面,针对基于oddball范式的P300脑机接口存在更新命令慢,响应延迟大的问题,提出使用定序（定序+随机序混合）的编码序列,并在此基础上使用滑动窗截取信号,再结合多尺度动态分类器,构建了一个能够以0.2秒的速度更新命令的范式。该范式能够为用户提供即时的反馈,且能够在一定程序减少系统输出延迟。基于该范式的脑控机器人模拟控制实验结果表明该方式确实可以应用于实际系统的控制。3.综合运用异步、混合脑机接口技术,共享控制等方法,建立了具有较强通过能力的脑控机器人移动操控系统和智能、全面的脑控机器人系统。其中针对传统脑控轮椅通过能力差的问题,设计了混合脑机接口、电子按钮识别操作模块和移动导航辅助模块,构建了有较强通行能力的脑控机器人操控系统。该系统允许用户独立驾驶机器人在室内外、楼上下之间移动导航,相比较现有的研究有较大的突破。该系统灵活处理轮椅驾驶和机械臂操控的特点,设计了运动想象BCI与P300-BCI融合的混合脑机接口和灵活的融合工作机制,保障了较好的用户体验和确保两种脑机接口安全协同地工作。在此基础上,研究进一步升级,我们在系统中引入了基于深度学习的目标识别算法、计算机视觉等算法识别、定位、跟踪场景中的目标;设计了决策辅助模块“聪明”地辅助用户快速决策;建立了基于动态地图的导航模块,允许系统可以工作在非合作和动态的环境;三名康复医院的病人和四名健康的被试测试了该系统,并完成了所有的测试任务。实验结果证明该系统能够快速部署在不同的环境且工作可靠稳定,能为用户提巡航移动、目标操作等全面的生活辅助,是一种完整、智能和友好的脑控机器人系统。总体来看,本文围绕脑控移动机器人系统实现,从理论、方法、技术等多个层次开展了系统的研究。设计的BCI-ROS编程框架轻巧、高效,为脑机接口-机器人应用程序设计增添了一个高效的开发工具;研究的异步和快速P300脑机接口能够在实际应用中更好地发挥作用;实现的的智能脑控机器人高效、智能、友好,是较为实用的运动辅助系统。
二、现代信号处理理论在脑磁研究中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、现代信号处理理论在脑磁研究中的应用（论文提纲范文）
（1）抑郁症脑磁图的微态特征及相关性研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 抑郁症脑磁图的研究现状 |
| 1.2.2 脑磁图微态特征及相关性的研究现状 |
| 1.3 论文主要结构 |
| 第二章 相关背景及理论知识介绍 |
| 2.1 脑部结构 |
| 2.2 脑磁图信号简介 |
| 2.2.1 脑磁图信号的产生及优缺点 |
| 2.2.2 脑磁图信号的测量 |
| 2.2.3 脑磁图的临床应用 |
| 2.3 实验数据介绍 |
| 2.3.1 实验对象 |
| 2.3.2 实验数据采集 |
| 2.3.3 实验数据结构及特征 |
| 2.4 算法基础 |
| 2.4.1 KMeans算法 |
| 2.4.2 AAHC算法 |
| 2.4.3 KMedoids算法 |
| 2.4.4 PCA算法 |
| 2.4.5 ICA算法 |
| 2.5 本章小结 |
| 第三章 抑郁症脑磁图的微态特征研究 |
| 3.1 微态特征信息理论基础 |
| 3.1.1 GEV指数 |
| 3.1.2 信息熵及熵率 |
| 3.2 脑磁图的微态处理及优点 |
| 3.2.1 脑磁图的微态处理 |
| 3.2.2 微态分析的优点 |
| 3.3 微态特征的实验结果及分析 |
| 3.3.1 GEV值 |
| 3.3.2 熵 |
| 3.3.3 熵率 |
| 3.3.4 信息理论特征 |
| 3.3.5 实验分析 |
| 3.4 本章小结 |
| 第四章 抑郁症脑磁图的延迟时间互信息研究 |
| 4.1 延时互信息及实验流程 |
| 4.1.1 延时互信息 |
| 4.1.2 实验流程 |
| 4.2 替代数据的构建及特征检验 |
| 4.2.1 替代数据的构建 |
| 4.2.2 特征检验 |
| 4.3 延时互信息的实验结果及分析 |
| 4.3.1 不同情绪图片刺激下的延时互信息 |
| 4.3.2 不同脑区的延时互信息 |
| 4.3.3 左右半球的延时互信息 |
| 4.3.4 所有实验对象的延时互信息 |
| 4.3.5 实验分析 |
| 4.4 本章小结 |
| 第五章 抑郁症脑磁图的长程相关性研究 |
| 5.1 Hurst指数的评估 |
| 5.1.1 R/S方法 |
| 5.1.2 DFA方法 |
| 5.2 Hurst指数性质 |
| 5.3 长程相关性的实验结果及分析 |
| 5.3.1 不同脑区的长程相关性 |
| 5.3.2 左右半球的长程相关性 |
| 5.3.3 所有实现对象的长程相关性 |
| 5.3.4 实验分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（2）基于脑电的听觉注意解码与情绪识别的认知计算研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要缩写和符号 |
| 第1章 绪论 |
| 1.1 课题的研究背景 |
| 1.1.1 认知计算 |
| 1.1.2 听觉注意 |
| 1.1.3 情绪与情感 |
| 1.2 课题研究的目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 听觉注意解码及其相关研究的发展概况 |
| 1.3.2 心理情绪状态识别及其相关研究的发展概况 |
| 1.4 现有相关研究工作的评述 |
| 1.5 本文主要研究内容 |
| 第2章 基于奇异谱分析和熵测度的脑电信号解码方法研究 |
| 2.1 引言 |
| 2.2 基于脑电的心理状态解码主要原理 |
| 2.2.1 脑电信号解码的基本框架 |
| 2.2.2 脑电熵特征 |
| 2.2.3 机器学习 |
| 2.2.4 性能度量 |
| 2.3 基于熵测度的脑电信号解码方法 |
| 2.4 基于SSA和熵测度相结合的脑电信号解码方法 |
| 2.4.1 所提出的脑电信号解码算法的系统框图 |
| 2.4.2 奇异谱分析 |
| 2.4.3 脑电信号的SSA分解与重构 |
| 2.4.4 基于SSA方法和熵测度的脑电熵特征提取 |
| 2.4.5 模式分类器 |
| 2.5 算法性能测试 |
| 2.5.1 实验设置 |
| 2.5.2 脑电熵特征的统计分析 |
| 2.5.3 眼睛状态的脑电识别结果 |
| 2.6 本章小结 |
| 第3章 基于向量不相似判定准则的熵测度快速算法研究 |
| 3.1 引言 |
| 3.2 熵测度方法的应用缺点 |
| 3.3 熵测度快速计算方法研究现状 |
| 3.4 利用VDS判定准则实现熵测度快速计算 |
| 3.4.1 熵测度计算流程分析 |
| 3.4.2 向量不相似判定准则 |
| 3.4.3 基于VDS方法的样本熵加速计算算法 |
| 3.4.4 不相似向量的占比分析 |
| 3.5 算法性能测试 |
| 3.5.1 实验设置 |
| 3.5.2 仿真信号的样本熵计算结果与讨论 |
| 3.5.3 脑电信号的样本熵计算结果与讨论 |
| 3.5.4 时移多尺度熵和近似熵计算结果与讨论 |
| 3.5.5 算法参数对熵测度计算效率的影响 |
| 3.6 本章小结 |
| 第4章 利用单次脑电实现听觉注意解码的认知计算 |
| 4.1 引言 |
| 4.2 听觉注意与神经影像学证据 |
| 4.2.1 听觉感知与选择性注意 |
| 4.2.2 基于对象的听觉注意 |
| 4.3 基于熵测度和机器学习的听觉目标注意识别 |
| 4.3.1 听觉目标注意的实验方案 |
| 4.3.2 研究方法 |
| 4.3.3 实验结果与分析 |
| 4.4 基于LSTM模型的听觉选择性注意解码 |
| 4.4.1 听觉选择性注意的实验方案 |
| 4.4.2 研究方法 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第5章 动态熵模式学习实现跨个体情绪识别的认知计算 |
| 5.1 引言 |
| 5.2 基于生理信号情绪识别的研究难点 |
| 5.3 基于熵测度的脑电情绪模式学习 |
| 5.4 基于动态熵模式学习的心理情绪状态识别 |
| 5.4.1 跨个体情绪效价识别的系统框图 |
| 5.4.2 情绪脑电数据 |
| 5.4.3 动态样本熵 |
| 5.4.4 特征降维 |
| 5.4.5 模式分类器 |
| 5.5 实验结果与讨论 |
| 5.5.1 脑电动态样本熵的统计分析 |
| 5.5.2 脑电动态样本熵的时域剖面分析 |
| 5.5.3 跨个体情绪效价识别的结果 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（3）基于稀疏共空间模式和正则化判别分析方法的脑电运动意图识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 脑-机接口技术的概念及研究意义 |
| 1.1.2 脑-机接口系统的基本组成 |
| 1.1.3 脑-机接口技术的分类 |
| 1.2 脑-机接口技术的研究现状 |
| 1.2.1 脑-机接口研究现状 |
| 1.2.2 脑电信号分类识别算法研究现状 |
| 1.3 本文的主要研究内容与安排 |
| 第2章 脑电信号的理论基础 |
| 2.1 脑电信号的概述 |
| 2.1.1 脑电信号的产生 |
| 2.1.2 EEG的特点 |
| 2.1.3 EEG的分类 |
| 2.1.4 运动想象及运动想象脑电 |
| 2.2 基于共空间模式的特征提取算法 |
| 2.3 基于Fisher判别分析的任务分类算法 |
| 2.4 本章小结 |
| 第3章 脑电信号的预处理 |
| 3.1 运动想象脑电数据 |
| 3.1.1 第Ⅳ届BCI比赛数据集I |
| 3.1.2 自主实验数据集 |
| 3.2 脑电信号的时频滤波预处理 |
| 3.3 空间滤波的预处理方法 |
| 3.4 实验分析 |
| 3.4.1 实验数据 |
| 3.4.2 μ节律和β节律频段的脑电信号分类结果比较 |
| 3.4.3 不同空间滤波的预处理对脑电信号分类结果的影响 |
| 3.5 本章小结 |
| 第4章 基于稀疏CSP的特征提取改进算法研究 |
| 4.1 引言 |
| 4.2 脑电数据特征选择与优化 |
| 4.2.1 基于广义瑞利商的CSP算法 |
| 4.2.2 基于稀疏算法的特征向量空间求取 |
| 4.3 脑电数据的分类判别 |
| 4.4 实验分析 |
| 4.4.1 数据来源 |
| 4.4.2 分类结果评价 |
| 4.4.3 最佳稀疏度的确定 |
| 4.4.4 不同稀疏模式下的CSP实验结果对比 |
| 4.4.5 特征可分性 |
| 4.5 结果分析 |
| 4.6 本章小结 |
| 第5章 基于RDA的分类准确度提升研究 |
| 5.1 引言 |
| 5.2 判别分析方法 |
| 5.2.1 稀疏共空间模式用于特征提取 |
| 5.2.2 正则化判别分析用于任务分类 |
| 5.3 数据和实验 |
| 5.3.1 数据来源 |
| 5.3.2 算法性能分析 |
| 5.4 结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（4）运动想象脑电波数据分析（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题的研究现状和研究意义 |
| 1.3 论文主要研究工作和内容安排 |
| 1.4 本章小结 |
| 2 脑电信号基础理论 |
| 2.1 脑电信号的产生机制与采集方法 |
| 2.1.1 脑电信号的产生 |
| 2.1.2 脑电信号的采集 |
| 2.1.3 电极的数量和位置 |
| 2.2 脑电信号的特征 |
| 2.3 实际研究中对脑电信号的分类 |
| 2.4 本章小结 |
| 3 脑电信号的分析处理方法 |
| 3.1 噪音信号的预处理方法 |
| 3.2 传统的时频分析 |
| 3.2.1 时域分析 |
| 3.2.2 频域分析 |
| 3.3 特征选择与特征提取方法 |
| 3.4 常用的脑电信号分类算法 |
| 3.4.1 传统的分类方法 |
| 3.4.2 现代分类方法 |
| 3.5 脑电信号的其他分类方法 |
| 3.5.1 多标签分类器 |
| 3.5.2 以小数据训练集的分类器 |
| 3.6 本章小结 |
| 4 基于运动想象的脑电波信号数据分析 |
| 4.1 运动想象脑电信号的产生机制 |
| 4.1.1 诱发脑电信号 |
| 4.1.2 自发脑电 |
| 4.1.3 自发脑电与诱发脑电的区别 |
| 4.2 运用NeuroScan对运动想象脑电信号的采集 |
| 4.2.1 实验准备 |
| 4.2.2 刺激程序设计 |
| 4.2.3 脑电信号数据采集 |
| 4.3 基于ICA的脑电信号预处理 |
| 4.3.1 频谱分析 |
| 4.3.2 数据滤波 |
| 4.3.3 基于ICA的噪音信号处理 |
| 4.4 利用EEGLAB提取特征信号 |
| 4.5 基于三种SVM核函数的运动想象脑电信号分类 |
| 4.5.1 SVM算法及原理 |
| 4.5.2 SVM分类结果 |
| 4.5.3 实验结果分析与讨论 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读硕士学位期间主要研究成果 |
（5）基于改进的排列熵和条件熵的抑郁症脑磁图研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 研究现状 |
| 1.2.1 国内外抑郁症研究现状 |
| 1.2.2 抑郁症脑磁图的研究现状 |
| 1.3 论文主要结构 |
| 第二章 相关背景知识介绍 |
| 2.1 脑的组织结构 |
| 2.2 脑磁图相关知识介绍 |
| 2.2.1 脑磁图的优点及缺点 |
| 2.2.2 脑磁图信号发生的生理学机制 |
| 2.2.3 脑磁图信号的产生 |
| 2.2.4 脑磁图信号的测量和处理 |
| 2.2.5 脑磁图在临床医学上的应用 |
| 2.3 复杂度的简单介绍 |
| 2.3.1 排列熵算法基础知识介绍 |
| 2.3.2 改进的排列熵算法基础知识介绍 |
| 2.3.3 条件熵的算法基础 |
| 2.4 本章小结 |
| 第三章 基于排列熵的抑郁症脑磁图研究 |
| 3.1 相空间重构及排列熵算法优点 |
| 3.1.1 相空间重构 |
| 3.1.2 排列熵算法的优点 |
| 3.2 实验数据来源 |
| 3.3 实验结果及分析 |
| 3.3.1 不同嵌入维数 |
| 3.3.2 不同情绪图片刺激下的排列熵分布 |
| 3.3.3 不同脑区的排列熵差异对比 |
| 3.3.4 某一通道下的排列熵值 |
| 3.3.5 实验分析 |
| 3.4 本章小结 |
| 第四章 基于改进的排列熵的抑郁症脑磁图研究 |
| 4.1 改进的排列熵的性质及参数选取 |
| 4.1.1 改进的排列熵的性质 |
| 4.1.2 参数选取 |
| 4.2 实验结果及分析 |
| 4.2.1 不同情绪图片刺激下的改进的排列熵分布 |
| 4.2.2 对称通道下的改进的排列熵 |
| 4.2.3 非对称通道下的改进的排列熵 |
| 4.2.4 同一样本在不同情绪刺激下的改进的排列熵 |
| 4.2.5 不同脑区的改进的排列熵差异对比 |
| 4.2.6 所有实验对象的改进的排列熵 |
| 4.3 排列熵和改进的排列熵的比较 |
| 4.4 本章小结 |
| 第五章 基于条件熵的抑郁症脑磁图研究 |
| 5.1 条件熵算法的优点和性质 |
| 5.1.1 条件熵的优点 |
| 5.1.2 条件熵的性质 |
| 5.2 条件熵参数选取 |
| 5.3 条件熵在抑郁症脑磁图中的应用 |
| 5.3.1 不同情绪刺激下的条件熵分布 |
| 5.3.2 同一样本在不同情绪刺激下的条件熵分布 |
| 5.3.3 不同脑区的条件熵差异对比 |
| 5.3.4 改进的排列熵和条件熵的比较 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（6）基于大鼠皮层锋电位及LFP信号的急性疼痛解码算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 第1章 绪论 |
| 1.1 选题的意义 |
| 1.2 疼痛及动物模型介绍 |
| 1.2.1 疼痛的定义 |
| 1.2.2 疼痛的分类 |
| 1.2.3 疼痛的传导通路 |
| 1.2.4 动物模型 |
| 1.3 脑神经信号处理 |
| 1.3.1 采集和刺激技术 |
| 1.3.2 方法及应用 |
| 1.4 主要研究内容及论文组织结构 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文的组织结构 |
| 第2章 大鼠诱发性疼痛和自发性疼痛下的多模态神经响应研究 |
| 2.1 材料与方法 |
| 2.1.1 实验动物与方案 |
| 2.1.2 CFA模型和SNI模型 |
| 2.1.3 电极植入与电生理记录 |
| 2.1.4 ERP和疼痛调制神经元的识别 |
| 2.1.5 功率谱和时频分析 |
| 2.1.6 跨频率幅相耦合(PAC)分析 |
| 2.1.7 基于SVM的自发性疼痛判别 |
| 2.2 实验结果 |
| 2.2.1 实验数据概述 |
| 2.2.2 动物行为分析 |
| 2.2.3 ACC锋电位活动的变化 |
| 2.2.4 LFP功率谱分析 |
| 2.2.5 幅相耦合(PAC)分析 |
| 2.2.6 LFP功率分析 |
| 2.2.7 锋电位-LFP相干分析 |
| 2.2.8 疼痛信号解码 |
| 2.3 讨论 |
| 2.4 本章小结 |
| 第3章 基于集群锋电位信号的急性疼痛解码算法的研究 |
| 3.1 材料与方法 |
| 3.1.1 动物行为与生理记录 |
| 3.1.2 基于模型的突变点检测方法 |
| 3.1.3 突变点检测器集成(ECPDs) |
| 3.1.4 双脑区的整合 |
| 3.1.5 缓冲窗口的大小 |
| 3.1.6 锋电位与LFP的整合 |
| 3.2 实验观察 |
| 3.2.1 S1和ACC神经元对疼痛和非疼痛刺激物的混合选择性 |
| 3.2.2 疼痛刺激下试验之间的可变性 |
| 3.2.3 计算时间和数据的限制 |
| 3.3 实验结果 |
| 3.3.1 计算机仿真实验 |
| 3.3.2 检测急性疼痛信号的神经科学实验 |
| 3.3.3 结合锋电位和LFP的检测 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第4章 基于局部场电位信号的急性疼痛解码算法的研究 |
| 4.1 材料与方法 |
| 4.1.1 实验动物 |
| 4.1.2 神经生理记录 |
| 4.1.3 实验方案 |
| 4.1.4 数据预处理 |
| 4.1.5 功率谱分析 |
| 4.1.6 疼痛强度解码 |
| 4.1.7 疼痛开始检测 |
| 4.2 实验结果 |
| 4.2.1 LFP信号的功率谱分析 |
| 4.2.2 疼痛强度的解码分析 |
| 4.2.3 慢性疼痛状态下疼痛强度的解码分析 |
| 4.2.4 疼痛强度解码精度的评估 |
| 4.2.5 基于LFP信号的急性疼痛事件检测 |
| 4.3 讨论 |
| 4.4 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录A 攻读博士学位期间的主要研究成果 |
| A.1 已发表的论文 |
| A.2 科研项目 |
| A.3 交流经历 |
（7）基于迁移学习的脑磁图解码研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 脑机接口的介绍 |
| 1.2.1 脑机接口的工作原理 |
| 1.2.2 非侵入式脑成像技术 |
| 1.2.3 国内外发展与研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的结构安排 |
| 第二章 基于迁移学习的脑磁图解码基础 |
| 2.1 脑磁图的介绍 |
| 2.1.1 脑磁图的基础理论 |
| 2.1.2 脑磁图诱发磁场 |
| 2.1.3 脑磁图的发展与应用 |
| 2.2 迁移学习的介绍 |
| 2.2.1 迁移学习的概述 |
| 2.2.2 迁移学习的基础理论 |
| 2.2.3 迁移学习的应用 |
| 2.2.4 迁移学习在脑解码中的应用 |
| 2.3 本章小结 |
| 第三章 基于黎曼流形学习的脑磁图解码 |
| 3.1 黎曼流形 |
| 3.2 基于黎曼流形学习的脑磁图解码 |
| 3.2.1 基于黎曼的核 |
| 3.2.2 黎曼流形学习 |
| 3.3 跨受试者的脑磁图解码实验 |
| 3.3.1 数据描述 |
| 3.3.2 数据预处理 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于多任务学习的脑磁图解码 |
| 4.1 多任务学习 |
| 4.2 基于多任务学习的脑磁图解码 |
| 4.2.1 基于贝叶斯的多任务学习模型 |
| 4.2.2 改进的多任务学习的框架 |
| 4.2.3 黎曼流形与多任务学习联合方法 |
| 4.3 实验结果与分析 |
| 4.3.1 基于改进的多任务学习框架 |
| 4.3.2 基于联合方法 |
| 4.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）脑波可视化技术的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 背景介绍 |
| 1.2 研究现状 |
| 1.3 尚未解决的问题 |
| 1.4 本文主要工作 |
| 1.5 本文章节安排 |
| 第二章 相关技术介绍 |
| 2.1 脑机接口技术 |
| 2.1.1 EEG信号的采集与量化 |
| 2.1.2 基于EEG信号的脑机接口 |
| 2.2 数据可视化技术 |
| 2.2.1 基于信号分析的方法 |
| 2.2.2 基于机器学习的方法 |
| 2.3 生成对抗网络GAN与可视化 |
| 2.3.1 基于文本的GAN图像生成 |
| 2.3.2 基于属性的GAN图像生成 |
| 2.4 相关数据集介绍 |
| 2.5 本章小结 |
| 第三章 基于卷积神经网络的脑电分类与图片分类 |
| 3.1 引言 |
| 3.2 相关研究 |
| 3.3 方法 |
| 3.3.1 实验环境搭建 |
| 3.3.2 数据集选择 |
| 3.3.3 信号预处理 |
| 3.3.4 EEG分类 |
| 3.3.5 图像分类 |
| 3.4 分类实验 |
| 3.5 结论 |
| 3.6 本章小结 |
| 第四章 脑波可视化 |
| 4.1 引言 |
| 4.2 相关研究 |
| 4.3 方法 |
| 4.3.1 总体结构 |
| 4.3.2 生成器G的结构与实现 |
| 4.3.3 鉴别器D的结构与实现 |
| 4.3.4 小样本集扩展 |
| 4.4 网络整合与生成实验 |
| 4.4.1 实验基准 |
| 4.4.2 评价指标 |
| 4.4.3 实验结果 |
| 4.5 结论 |
| 4.6 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）面向脑机接口的多模态认知隐藏信息特征检测与识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 隐藏信息检测方法概述 |
| 1.2.1 多导测试仪概述 |
| 1.2.2 隐藏信息检测的测试范式设置 |
| 1.2.3 隐藏信息检测的替代技术 |
| 1.3 国内外研究现状及发展 |
| 1.3.1 面向脑机接口的隐藏信息检测的提出 |
| 1.3.2 脑机接口CIT系统中EEG特征及识别研究现状 |
| 1.3.3 全脑区成像分析应用于CIT研究 |
| 1.3.4 国内研究现状及发展 |
| 1.4 本论文的研究目的及内容 |
| 1.5 本论文组织结构及技术路线 |
| 第2章 脑机接口CIT系统中EEG时-频-空域特征 |
| 2.1 引言 |
| 2.2 脑机接口CIT系统的构成 |
| 2.3 脑电信号基本特征及其研究方法 |
| 2.3.1 大脑基本分区及其对应的功能 |
| 2.3.2 脑电信号及其采集 |
| 2.3.3 脑电信号节律 |
| 2.3.4 事件相关脑电位 |
| 2.4 面向脑机接口的视觉CIT实验分析 |
| 2.4.1 实验设计 |
| 2.4.2 脑机接口CIT实验平台 |
| 2.4.3 数据预处理 |
| 2.5 隐藏信息检测的时频域分析 |
| 2.5.1 基本时频分析及结果 |
| 2.5.2 基于P300幅值几何差的检测方法 |
| 2.6 隐藏信息检测中空间网络结构关键节点特征分析 |
| 2.6.1 基于H指数的非线性相互依赖分析方法 |
| 2.6.2 基于H指数的空间网络连接分析 |
| 2.6.3 基于空间网络拓扑结构关键节点特征的识别方法分析 |
| 2.7 本章小结 |
| 第3章 基于EEG二值功能网络及SVM的隐藏信息检测 |
| 3.1 引言 |
| 3.2 基于图论的复杂网络理论 |
| 3.2.1 复杂网络概述 |
| 3.2.2 复杂网络基本概念 |
| 3.2.3 复杂网络基本模型 |
| 3.3 脑结构网络和脑功能网络 |
| 3.4 面向脑机接口的视觉和听觉CIT实验分析 |
| 3.4.1 实验设计 |
| 3.4.2 数据预处理 |
| 3.5 基于二值网络和SVM的检测与识别方法分析 |
| 3.5.1 脑功能网络的构建 |
| 3.5.2 脑功能网络的二值化 |
| 3.5.3 二值网络特征参数分析 |
| 3.5.4 支持向量机模式分类 |
| 3.6 本章小结 |
| 第4章 基于EEG加权功能网络及QNN的隐藏信息检测 |
| 4.1 引言 |
| 4.2 脑加权功能网络特征量 |
| 4.2.1 基本特征量 |
| 4.2.2 同配系数 |
| 4.2.3 传递性 |
| 4.3 基于相位延迟指数的加权网络构建方法 |
| 4.4 面向脑机接口的视听同步隐藏信息检测实验 |
| 4.4.1 实验设计 |
| 4.4.2 实验记录和数据预处理 |
| 4.5 基于加权网络特征的量子神经网络检测分析 |
| 4.5.1 脑加权网络的构建 |
| 4.5.2 脑加权网络特征参数分析 |
| 4.5.3 基于全局特征熵的全脑信号复杂度分析 |
| 4.5.4 基于遗传算法的脑电信号特征量优化 |
| 4.5.5 QNN分类器的构建及加权网络特征量的分类识别 |
| 4.6 本章小结 |
| 第5章 基于EEG有向功能网络连接的隐藏信息特征分析 |
| 5.1 引言 |
| 5.2 有向功能网络的构建方法 |
| 5.2.1 线性格兰杰因果 |
| 5.2.2 定向相干性 |
| 5.2.3 偏定向相干分析 |
| 5.2.4 直接传递函数分析 |
| 5.2.5 传递熵 |
| 5.3 有向功能网络特征参数 |
| 5.4 熟人和陌生人信息诱发有向功能网络连接分析 |
| 5.5 本章小结 |
| 第6章 脑机接口CIT系统中脑功能网络构建方法对比分析 |
| 6.1 引言 |
| 6.2 相互依赖关系分析方法 |
| 6.2.1 互相关函数 |
| 6.2.2 相干函数 |
| 6.2.3 互信息 |
| 6.2.4 相位同步 |
| 6.3 应用于隐藏信息检测分析 |
| 6.4 综合讨论 |
| 6.5 本章小结 |
| 第7章 面向脑机接口的视觉刺激和触觉反馈的CIT系统分析 |
| 7.1 引言 |
| 7.2 单向感知的多稳态触觉刺激实验 |
| 7.2.1 实验简介 |
| 7.2.2 实验设计 |
| 7.2.3 数据处理和结果讨论 |
| 7.3 存在感知反馈的邻近阈值触觉刺激实验 |
| 7.3.1 实验简介 |
| 7.3.2 实验设计 |
| 7.3.3 数据处理和结果讨论 |
| 7.4 基于视觉刺激和触觉反馈的CIT实验分析 |
| 7.4.1 实验系统构成 |
| 7.4.2 实验分析 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 本文主要工作及创新点 |
| 8.1.1 主要工程总结 |
| 8.1.2 主要创新点 |
| 8.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间取得的学术成果 |
| 攻读博士期间参与的科研项目 |
| 作者从事科学研究和学习经历简历 |
（10）移动机器人脑控关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 脑机接口基本原理 |
| 1.1.1 信号采集 |
| 1.1.2 信号处理 |
| 1.1.3 BCI应用 |
| 1.2 脑控系统中常用的BCI范式 |
| 1.2.1 基于感觉运动节律的BCI |
| 1.2.2 基于事件相关电位的BCI |
| 1.2.3 基于稳态刺激诱发电位的脑机接口 |
| 1.3 脑控系统设计理论 |
| 1.3.1 异步脑机接口设计理论 |
| 1.3.2 混合脑机接口理论与技术 |
| 1.3.3 人机反馈通路非对称性分析 |
| 1.3.4 人机共享自主性和协同控制理论 |
| 1.3.5 人类原子运动神经机理 |
| 1.4 脑控移动机器人研究概况 |
| 1.4.1 研究现状 |
| 1.4.2 研究存在的问题与挑战 |
| 1.5 本研究开展的思路 |
| 第二章 脑控移动机器人系统架构设计 |
| 2.1 引言 |
| 2.2 脑控移动机器人软硬件系统架构设计 |
| 2.2.1 硬件系统设计 |
| 2.2.2 软件系统设计 |
| 2.3 BCI-ROS编程框架设计 |
| 2.3.1 用户层 |
| 2.3.2 框架层 |
| 2.3.3 BCI-ROS与 ROS系统的交互 |
| 2.4 BCI-ROS框架测试 |
| 2.4.1 软件调用耗时和内存消耗测试 |
| 2.4.2 BCI实验测试 |
| 2.5 本章小结 |
| 第三章 异步P300脑机接口优化设计研究 |
| 3.1 引言 |
| 3.1.1 现有的方法 |
| 3.1.2 存在的问题 |
| 3.2 方法 |
| 3.2.1 特征提取与分类器 |
| 3.2.2 分类器的参数优化 |
| 3.3 实验设计 |
| 3.3.1 被试与信号采集 |
| 3.3.2 实验流程 |
| 3.4 实验结果与对比分析 |
| 3.4.1 离线实验结果 |
| 3.4.2 在线对比实验 |
| 3.5 讨论 |
| 3.5.1 本方法的合理性 |
| 3.5.2 本方法在实际场景中的应用 |
| 3.5.3 本方法存在的问题和可能的解决方法 |
| 3.6 本章小结 |
| 第四章 快速P300脑机接口技术研究 |
| 4.1 引言 |
| 4.2 方法 |
| 4.2.1 被试和信号采集 |
| 4.2.2 定序刺激编码 |
| 4.2.3 特征提取 |
| 4.2.4 分类器 |
| 4.2.5 多尺度分类器 |
| 4.3 实验设计 |
| 4.3.1 离线标定 |
| 4.3.2 虚拟机器人控制测试 |
| 4.4 实验结果与分析 |
| 4.4.1 离线结果 |
| 4.4.2 虚拟机器人控制测试 |
| 4.5 讨论 |
| 4.5.1 定序刺激编码序列的影响 |
| 4.5.2 多尺度分类器 |
| 4.6 本章小结 |
| 第五章 脑控机器人移动操控技术研究 |
| 5.1 引言 |
| 5.2 机器人控制模块设计 |
| 5.2.1 按钮识别与操控模块 |
| 5.2.2 导航避障模块 |
| 5.3 混合脑机接口设计 |
| 5.3.1 序列运动想象脑机接口与运动控制 |
| 5.3.2 异步P300脑机接口与目标操控 |
| 5.3.3 混合脑机接口融合机制和人机交互接口 |
| 5.4 实验设计 |
| 5.4.1 被试与信号采集 |
| 5.4.2 实验流程 |
| 5.5 实验结果 |
| 5.6 讨论 |
| 5.6.1 系统结构 |
| 5.6.2 自动辅助模块 |
| 5.6.3 混合脑机接口 |
| 5.7 本章小结 |
| 第六章 移动机器人智能脑控技术研究 |
| 6.1 引言 |
| 6.2 机器人智能模块设计 |
| 6.2.1 环境理解模块 |
| 6.2.2 辅助决策模块 |
| 6.2.3 基于局部地图的自动导航 |
| 6.2.4 机械臂控制 |
| 6.3 脑机接口系统 |
| 6.3.1 脑电信号采集 |
| 6.3.2 工作机制 |
| 6.3.3 图形用户界面 |
| 6.3.4 P300脑机接口 |
| 6.3.5 验证命令 |
| 6.4 实验设计 |
| 6.4.1 被试和准备 |
| 6.4.2 实验任务 |
| 6.4.3 性能评价 |
| 6.5 实验结果 |
| 6.6 讨论 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.1.1 脑控系统优化设计方面 |
| 7.1.2 系统设计和工程实现方面 |
| 7.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、现代信号处理理论在脑磁研究中的应用（论文参考文献）
- [1]抑郁症脑磁图的微态特征及相关性研究[D]. 张亚飞. 南京邮电大学, 2020(02)
- [2]基于脑电的听觉注意解码与情绪识别的认知计算研究[D]. 陆云. 哈尔滨工业大学, 2020(01)
- [3]基于稀疏共空间模式和正则化判别分析方法的脑电运动意图识别研究[D]. 田永胜. 燕山大学, 2020
- [4]运动想象脑电波数据分析[D]. 陈锐. 贵州师范大学, 2020(01)
- [5]基于改进的排列熵和条件熵的抑郁症脑磁图研究[D]. 袁自震. 南京邮电大学, 2019(02)
- [6]基于大鼠皮层锋电位及LFP信号的急性疼痛解码算法研究[D]. 肖征东. 浙江大学, 2019(03)
- [7]基于迁移学习的脑磁图解码研究[D]. 刘亚琳. 华南理工大学, 2019(01)
- [8]脑波可视化技术的研究与实现[D]. 何曦. 电子科技大学, 2019(01)
- [9]面向脑机接口的多模态认知隐藏信息特征检测与识别研究[D]. 常文文. 东北大学, 2019
- [10]移动机器人脑控关键技术研究[D]. 唐景昇. 国防科技大学, 2018(01)
标签：脑机接口论文;