在通過音樂感知的方式對兒童自閉癥譜系障礙（Autistic Spectrum Disorder,ASD）的治療過程中,感知效果和病情的發(fā)展主要體現在腦電圖（Electroencephalogram,EEG）的波動上,臨床上對腦電圖判斷方面存在不精確的問題,而深度學習在信號特征提取與分類方面有著極大優(yōu)勢。本文以深度學習中的深度信念網絡（Deep Belief Network,DBN）為理論基礎,提出將優(yōu)化的受限玻爾茲曼機（Restricted Boltzmann machine,RBM）特征提取模型與softmax分類算法相結合的方法,對接受不同音樂感知治療的自閉癥兒童進行腦電波跟蹤分析,以提高分類準確度,達到精準判斷病情的目的。腦電圖人工判斷不準確的原因之一就是采集的腦電數據中摻雜著工頻干擾、眼電偽跡等一系列噪聲。為了給后續(xù)腦電分類提供相對純凈的數據支持,本文采用卷積神經網絡（Convolution neural network,CNN）的方法對原始信號進行眼電偽跡檢測,并使用希爾伯特-黃變換（Hilbert-Huang transform,HHT）結合FastICA的方法來去除噪聲。... 

【文章來源】：長春理工大學吉林省

【文章頁數】：62 頁

【學位級別】：碩士

【部分圖文】：

國際10-20導聯標準系統的電極放置法實驗室的設備條件決定我們選取其中8個最能體現病情的數據通道來獲取腦電信

也就是參考電極。其他部位的釆集電極和參考電電位變化值，也就是我們采集到的腦電信號的具體值。如果適，零電勢中就會夾雜著很多其他生理電信號，從而導致無作用，所以腦電信號采集前首先需要選擇合適的參考電極。，且它的位置獨立，不易受眼動、肌肉收縮等生理反應的干我們選取耳垂作為參考電極。采集設備于采集大腦皮層腦電數據的系統模塊主要包括 3IT_EHV1 腦電3 腦電板以及配套的數據分析軟件 OpenBCI_GUI。帽：3IT_EHV1 腦電帽是全新腦電帽，全干電極，無需導電膏，Mark3/4 系列腦電帽。道腦電板：OpenBCI_V3 是一款開源的人腦或者生物電-電腦精度專用芯片完成腦電波(EEG)的檢測和測量，擁有 8 個獨立 Arduino UNO，腦電芯片為全球著名半導體商 TI（德州儀器）的硬件工作原理。

15 名自閉癥兒童分成三組，25 名健康兒童分成五組，每五種實驗條件：0 無音樂、1 哀樂、2 陌生交響樂、3 歡組中，5 人分別分配到 5 種音樂條件，之后，每人都按晚各聽一次該音樂，連續(xù)一個月。主要是為了給自閉康兒童隨即做出對照。期間，我們分別在一周、兩周每位實驗對象的腦電波，并統計保存。數據的實驗過程中，將受試者安排在一間舒適溫馨的擾。采集室內擺放好實驗桌椅及用具，排除不相干用 個 ASD 兒童和 25 個健康兒童志愿者進行數據采集。測爽，電極要緊貼頭皮，電極盤中軸線要垂直于頭皮表住后用手擠壓一下兩側，保持緊貼耳垂。測試時，盡量，測試環(huán)境對于不同工作環(huán)境的研究者來說是個頭疼頻干擾的設備（空調，電扇，微波爐，烤箱，筆記本扇可以忽略）。為了保護 ASD 兒童以及志愿者的隱私員來演示，如圖 3.3。


本文編號：3413174