發(fā)布時(shí)間：2021-08-21 22:09

　　目前,基于運(yùn)動(dòng)想象的腦網(wǎng)絡(luò)分析在認(rèn)知神經(jīng)科學(xué)領(lǐng)域有著廣泛的應(yīng)用,它們?yōu)橹酗L(fēng)患者的術(shù)后康復(fù)以及運(yùn)動(dòng)員的技能提升提供了重要的參考指標(biāo)。然而,在運(yùn)動(dòng)想象數(shù)據(jù)采集期間,數(shù)據(jù)會(huì)不可避免的受到被試頭動(dòng)或眨眼帶來的噪聲影響,從而影響后續(xù)構(gòu)建的腦網(wǎng)絡(luò)的精確性。其中一個(gè)原因是,多數(shù)有向網(wǎng)絡(luò)估計(jì)方法采用了多元回歸分析,而傳統(tǒng)多元回歸分析主要采用了最小二乘法,它們會(huì)由于目標(biāo)函數(shù)中平方項(xiàng)的存在而放大噪聲的影響,造成多元自回歸模型（Multivariate Auto-Regression model,MVAR）系數(shù)的估計(jì)誤差,從而導(dǎo)致構(gòu)建的腦網(wǎng)絡(luò)出現(xiàn)較多偽跡,扭曲了原本的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。相似的問題在時(shí)變腦網(wǎng)絡(luò)的估計(jì)中也存在。在時(shí)變腦網(wǎng)絡(luò)構(gòu)建中常常采用的卡爾曼方法（Kalman Filter,KF）對過程和觀測噪聲服從高斯分布的假設(shè)造成了其在實(shí)際應(yīng)用中的局限性,且對異常值敏感,使得構(gòu)建的腦網(wǎng)絡(luò)不夠準(zhǔn)確。本文針對這些問題,以貝葉斯方法（Bayesian Analysis,BA）為基礎(chǔ),提出了兩種基于貝葉斯的網(wǎng)絡(luò)估計(jì)方法,分別實(shí)現(xiàn)因果網(wǎng)絡(luò)、時(shí)變網(wǎng)絡(luò)的構(gòu)建。主要研究內(nèi)容如下:1、提出基于貝葉斯的多元自回歸分析（MVAR ... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 腦網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.2 貝葉斯方法研究現(xiàn)狀
        1.2.3 卡爾曼濾波研究現(xiàn)狀
    1.3 本文主要工作
    1.4 論文結(jié)構(gòu)安排
第二章 貝葉斯方法概述
    2.1 貝葉斯方法基本思想
    2.2 貝葉斯公式
        2.2.1 貝葉斯公式的概率形式
        2.2.2 貝葉斯公式的密度函數(shù)形式
    2.3 先驗(yàn)分布的確定
        2.3.1 主觀概率
        2.3.2 利用先驗(yàn)信息確定先驗(yàn)分布
        2.3.3 利用邊緣分布確定先驗(yàn)密度
        2.3.4 無信息先驗(yàn)分布
第三章 基于貝葉斯多元自回歸模型的腦網(wǎng)絡(luò)構(gòu)建研究
    3.0 因果網(wǎng)絡(luò)構(gòu)建
    3.1 傳統(tǒng)多元自回歸分析
    3.2 基于貝葉斯的多元自回歸分析
    3.3 仿真研究
        3.3.1 仿真具體步驟
        3.3.2 仿真結(jié)果
        3.3.3 仿真結(jié)論
    3.4 實(shí)際應(yīng)用研究
        3.4.1 實(shí)驗(yàn)范式及數(shù)據(jù)采集
        3.4.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理
        3.4.3 任務(wù)相關(guān)的腦激活區(qū)域
        3.4.4 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章總結(jié)
第四章 基于貝葉斯的時(shí)變腦網(wǎng)絡(luò)構(gòu)建研究
    4.0 時(shí)變腦網(wǎng)絡(luò)構(gòu)建
    4.1 傳統(tǒng)卡爾曼濾波
    4.2 基于貝葉斯的改進(jìn)卡爾曼濾波
        4.2.1 學(xué)生t濾波方法
        4.2.2 基于貝葉斯的改進(jìn)卡爾曼濾波方法
            4.2.2.1 近似后驗(yàn)概率分布函數(shù)的計(jì)算
            4.2.2.2 期望的計(jì)算
    4.3 仿真研究
        4.3.1 仿真具體步驟
        4.3.2 仿真結(jié)果及分析
    4.4 實(shí)際應(yīng)用研究
        4.4.1 左/右手運(yùn)動(dòng)想象時(shí)變網(wǎng)絡(luò)偏側(cè)性研究結(jié)果
        4.4.2 左/右手運(yùn)動(dòng)想象時(shí)變網(wǎng)絡(luò)連接模式
        4.4.3 實(shí)際應(yīng)用研究結(jié)論
    4.5 本章總結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]迭代平方根UKF[J]. 成蘭,謝愷.  信息與控制. 2008(04)
[2]組合導(dǎo)航系統(tǒng)新息自適應(yīng)卡爾曼濾波算法[J]. 卞鴻巍,金志華,王俊璞,田蔚風(fēng).  上海交通大學(xué)學(xué)報(bào). 2006(06)

碩士論文
[1]蒙特卡羅模擬優(yōu)化與風(fēng)險(xiǎn)決策分析的應(yīng)用研究[D]. 楊衡.天津大學(xué) 2004



本文編號：3356424