本文關(guān)鍵詞： 腦電信號(hào) 卡爾曼濾波 動(dòng)態(tài)分析 特征提取 單次誘發(fā)成份 腦網(wǎng)絡(luò)　出處：《哈爾濱工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：現(xiàn)今,在腦科學(xué)和信號(hào)處理技術(shù)的迅猛發(fā)展下,腦機(jī)接口設(shè)備逐漸應(yīng)用于臨床醫(yī)學(xué)、軍事、游戲等領(lǐng)域。腦認(rèn)知特征提取方法是腦機(jī)接口設(shè)備研發(fā)基礎(chǔ),由于腦機(jī)接口技術(shù)需要實(shí)時(shí)地完成人機(jī)交互任務(wù),所以腦認(rèn)知特征提取方法也急需一種具有高時(shí)間分辨率和能夠?qū)崟r(shí)分析的腦電信號(hào)處理方法。本文利用Kalman濾波方法進(jìn)行認(rèn)知活動(dòng)特征提取。將腦認(rèn)知特征提取問(wèn)題劃分成兩個(gè)子問(wèn)題:單通道腦電信號(hào)特征提取和多通道腦電信號(hào)特征提取。(1)在單通道腦電信號(hào)研究部分,本文提出了單次誘發(fā)成份的自適應(yīng)卡爾曼濾波提取方法,以及自適應(yīng)誘發(fā)成份優(yōu)勢(shì)區(qū)間分離機(jī)制算法。該算法利用了腦電誘發(fā)成份和自發(fā)成份的幅值變化速率的差異,定義了測(cè)量余量和估計(jì)幅值兩個(gè)參數(shù),以兩參數(shù)為標(biāo)準(zhǔn)該算法可自動(dòng)區(qū)分腦電信號(hào)中誘發(fā)成份優(yōu)勢(shì)區(qū)間和噪聲優(yōu)勢(shì)區(qū)間,實(shí)現(xiàn)單通道腦電信號(hào)單一或少量誘發(fā)成份的精確提取。同時(shí)進(jìn)行了針對(duì)模擬誘發(fā)成份和真實(shí)誘發(fā)成份的方法驗(yàn)證實(shí)驗(yàn),其中真實(shí)誘發(fā)成份數(shù)據(jù)通過(guò)Oddball范式下的視覺(jué)腦認(rèn)知實(shí)驗(yàn)獲得。并將該方法應(yīng)用于腦機(jī)接口系統(tǒng)中的單次誘發(fā)成份檢測(cè),結(jié)果表明該方法可有效提升腦機(jī)接口系統(tǒng)的識(shí)別正確率,高達(dá)92%。(2)在多通道腦電信號(hào)研究部分,本文建立語(yǔ)音沖突認(rèn)知活動(dòng)模型,提出基于Kalman濾波狀態(tài)追蹤的時(shí)變腦網(wǎng)絡(luò)分析方法。該方法在現(xiàn)有的多變量自回歸模型的基礎(chǔ)上,采用Kalman濾波方改進(jìn)多變量自回歸模型的系數(shù)估計(jì),再通過(guò)有向傳遞函數(shù)的因果分析方法獲取包含頻域信息的效應(yīng)腦網(wǎng)絡(luò)模型。同時(shí)以Stroop實(shí)驗(yàn)范式采集了聽覺(jué)腦認(rèn)知實(shí)驗(yàn)數(shù)據(jù),進(jìn)行了語(yǔ)音沖突腦網(wǎng)絡(luò)構(gòu)建與分析實(shí)驗(yàn),結(jié)果表明該方法能夠提取了語(yǔ)音沖突的腦網(wǎng)絡(luò)的結(jié)構(gòu)特征和頻域特征,解決了腦認(rèn)知活動(dòng)下大腦內(nèi)部信息傳遞的獲取,以及大腦神經(jīng)連接動(dòng)態(tài)演化過(guò)程的探究。本文的所提出的認(rèn)知活動(dòng)動(dòng)態(tài)特征提取方法能夠很好地分析腦電信號(hào)時(shí)域、頻域、空間域信息,為腦電信號(hào)建模和特征提取提供了新思路。
[Abstract]:Nowadays, with the rapid development of brain science and signal processing technology, brain-computer interface equipment is gradually applied in clinical medicine, military, games and other fields. Brain cognitive feature extraction method is the basis of brain-computer interface equipment research and development. Because the brain-computer interface technology needs to complete the human-computer interaction task in real time. Therefore, a method of EEG processing with high temporal resolution and real time analysis is urgently needed. In this paper, we use Kalman filter to extract the feature of cognitive activity. The feature extraction problem is divided into two sub-problems:. Single channel EEG feature extraction and multichannel EEG feature extraction. (. 1) in the single channel EEG research section. In this paper, an adaptive Kalman filter extraction method for single evoked components is proposed. This algorithm takes advantage of the difference of amplitude change rate between EEG evoked component and spontaneous component, and defines two parameters, measurement margin and estimation amplitude. Using two parameters as the standard, the algorithm can automatically distinguish the dominant region of evoked component from the dominant interval of noise in EEG signal. The single or small amount of evoked components of single channel EEG signals can be extracted accurately. At the same time, the methods of simulating evoked components and real evoked components are verified. The real evoked component data were obtained by the visual brain cognitive experiment under Oddball paradigm, and the method was applied to the single evoked component detection in the BCI system. The results show that this method can effectively improve the recognition accuracy of BCI system, up to 92 / 2) in the multi-channel EEG research part, this paper establishes a speech conflict cognitive activity model. A time-varying brain network analysis method based on Kalman filter state tracking is proposed, which is based on the existing multivariate autoregressive model. The Kalman filter is used to improve the coefficient estimation of multivariate autoregressive model. Then the effect brain network model containing frequency domain information was obtained by causality analysis of directed transfer function and the auditory brain cognitive experiment data were collected by Stroop experimental paradigm. The experimental results show that this method can extract the structural features and frequency domain features of the brain network of speech conflict and solve the problem of information transmission in the brain under the brain cognitive activity. As well as the exploration of the dynamic evolution process of cerebral nerve connection. The proposed method of dynamic feature extraction of cognitive activity can well analyze the EEG information in time domain, frequency domain and spatial domain. It provides a new idea for EEG modeling and feature extraction.
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R318;TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魯強(qiáng);劉玉軍;徐建蘭;張進(jìn)祿;;一種適用于清醒動(dòng)物腦電信號(hào)采集的固定裝置[J];首都醫(yī)科大學(xué)學(xué)報(bào);2011年06期

2 ;腦電信號(hào)處理的研究取得階段性成果[J];河北師范大學(xué)學(xué)報(bào);1987年01期

3 李志瑞;張文杰;;通用腦電信號(hào)處理——微機(jī)系統(tǒng)初探[J];河北師范大學(xué)學(xué)報(bào);1988年Z1期

4 孟欣，，歐陽(yáng)楷;腦電信號(hào)的幾個(gè)非線性動(dòng)力學(xué)分析方法[J];北京生物醫(yī)學(xué)工程;1997年03期

5 吳小培,馮煥清,周荷琴,王濤;獨(dú)立分量分析及其在腦電信號(hào)預(yù)處理中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2001年01期

6 李英遠(yuǎn),周衛(wèi)東;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在腦電信號(hào)建模中的應(yīng)用[J];山東生物醫(yī)學(xué)工程;2002年02期

7 劉大路,江朝暉,馮煥清,王聰;基于腦電信號(hào)時(shí)空分布信息的思維特征研究[J];北京生物醫(yī)學(xué)工程;2004年02期

8 許崇濤,沈民奮,李慧,朱國(guó)平;雙譜分析方法在腦電信號(hào)分析中的應(yīng)用[J];中國(guó)行為醫(yī)學(xué)科學(xué);2004年03期

9 湯曉軍,宋卓,楊卓,張濤;雙任務(wù)事件中腦電信號(hào)的熵計(jì)算(英文)[J];生物物理學(xué)報(bào);2005年05期

10 蔣辰偉;章悅;曹洋;朱國(guó)行;顧凡及;王斌;;腦死亡與腦昏迷腦電信號(hào)的復(fù)雜度研究[J];生物物理學(xué)報(bào);2008年02期

相關(guān)會(huì)議論文 前10條

1 薛蘊(yùn)全;王秋英;王宏;;腦電信號(hào)的動(dòng)態(tài)時(shí)空響應(yīng)拓?fù)鋱D[A];中國(guó)儀器儀表學(xué)會(huì)第三屆青年學(xué)術(shù)會(huì)議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號(hào)診斷專家系統(tǒng)的研究[A];中國(guó)生理學(xué)會(huì)第21屆全國(guó)代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號(hào)采集方法與應(yīng)用研究[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號(hào)的假手的研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國(guó)家——2006中國(guó)科協(xié)年會(huì)論文集（下冊(cè)）[C];2006年

5 李愛新;孫鐵;郭炎峰;;基于人工神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)模式分類[A];自動(dòng)化技術(shù)與冶金流程節(jié)能減排——全國(guó)冶金自動(dòng)化信息網(wǎng)2008年會(huì)論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號(hào)分析中的應(yīng)用[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級(jí)抗交叉串?dāng)_自適應(yīng)濾波器提取誘發(fā)腦電信號(hào)[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時(shí);;睡眠腦電信號(hào)樣本熵的研究[A];中國(guó)生物醫(yī)學(xué)工程進(jìn)展——2007中國(guó)生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運(yùn)動(dòng)想象的腦電信號(hào)特征提取與分類[A];中國(guó)儀器儀表學(xué)會(huì)醫(yī)療儀器分會(huì)2010兩岸四地生物醫(yī)學(xué)工程學(xué)術(shù)年會(huì)論文集[C];2010年

10 葛家怡;周鵬;王明時(shí);;睡眠腦電信號(hào)樣本熵的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會(huì)2007年學(xué)術(shù)年會(huì)論文摘要集[C];2007年

相關(guān)重要報(bào)紙文章 前1條

1 張文清　記者 王春;意念控制車速及左右轉(zhuǎn)彎前行[N];科技日?qǐng)?bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 彭宏;普適化腦電信息感知關(guān)鍵問(wèn)題的研究[D];蘭州大學(xué);2015年

2 吳玉鵬;AR譜在皮層癇樣腦電信號(hào)分析應(yīng)用[D];河北醫(yī)科大學(xué);2015年

3 馬小飛;認(rèn)知任務(wù)下的腦電動(dòng)力學(xué)分析[D];南京大學(xué);2017年

4 吳畏;基于統(tǒng)計(jì)建模的多導(dǎo)聯(lián)腦電信號(hào)時(shí)空建模方法研究[D];清華大學(xué);2012年

5 孫宇舸;腦—機(jī)接口系統(tǒng)中腦電信號(hào)處理方法的研究[D];東北大學(xué);2012年

6 周群;腦電信號(hào)同步：方法及應(yīng)用研究[D];電子科技大學(xué);2009年

7 趙麗;基于腦電信號(hào)的腦-機(jī)接口技術(shù)研究[D];天津大學(xué);2004年

8 李春勝;腦電信號(hào)混沌特性的研究與應(yīng)用[D];東北大學(xué);2011年

9 歐陽(yáng)高翔;癲癇腦電信號(hào)的非線性特征識(shí)別與分析[D];燕山大學(xué);2010年

10 繆曉波;基于腦電信號(hào)的認(rèn)知?jiǎng)恿W(xué)系統(tǒng)研究——線性/非線性方法及動(dòng)態(tài)時(shí)—頻—空分析[D];重慶大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 范明莉;基于卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)想象腦電信號(hào)特征提取與分類[D];鄭州大學(xué);2017年

2 于洪;基于腦電信號(hào)的警覺(jué)度估計(jì)[D];上海交通大學(xué);2007年

3 蔣潔;基于高性能計(jì)算的腦電信號(hào)分析[D];燕山大學(xué);2010年

4 張志琴;腦電信號(hào)的復(fù)雜性分析[D];中南大學(xué);2009年

5 許鳳娟;腦電信號(hào)采集與分析系統(tǒng)的設(shè)計(jì)[D];長(zhǎng)春理工大學(xué);2011年

6 曹銘;意識(shí)障礙患者腦電信號(hào)的非線性動(dòng)力學(xué)評(píng)價(jià)分析[D];杭州電子科技大學(xué);2012年

7 薛吉星;多通道腦電信號(hào)采集與處理系統(tǒng)研究[D];華南理工大學(xué);2015年

8 劉靜;基于加權(quán)排序熵的多通道腦電信號(hào)同步算法研究[D];燕山大學(xué);2015年

9 陳澤濤;基于腦電信號(hào)分析的AD早期評(píng)估系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];燕山大學(xué);2015年

10 王歡;基于非平穩(wěn)時(shí)間序列分析方法的腦電信號(hào)模式識(shí)別[D];蘇州大學(xué);2015年

本文編號(hào)：1454529