【摘要】：對(duì)腦信號(hào)的模式分類(lèi)一直是認(rèn)知神經(jīng)科學(xué)中的研究熱點(diǎn),不論是對(duì)功能磁共振信號(hào)和腦電圖、腦磁圖信號(hào)的學(xué)術(shù)研究方面,還是在實(shí)際應(yīng)用中。通過(guò)模式分類(lèi)可以找出不同信號(hào)之間難以用常規(guī)分析方法得到的信息。除了分類(lèi)以外,建立線性模型也是越來(lái)越常用的一種方法,近年來(lái)有越來(lái)越多的研究根據(jù)已有的研究成果對(duì)人腦的視覺(jué)區(qū)域尤其是初級(jí)視皮層進(jìn)行建模,并用于重建視覺(jué)刺激特征。本文的研究主要針對(duì)的是腦電信號(hào),研究目的是對(duì)兩個(gè)同時(shí)呈現(xiàn)的視覺(jué)刺激進(jìn)行單獨(dú)的信號(hào)特征提取和多元模式分析。本文的主要工作內(nèi)容及成果有:1,設(shè)計(jì)了雙刺激頻率的穩(wěn)態(tài)視覺(jué)誘發(fā)電位(SSVEP)的刺激呈現(xiàn)范式,使用兩個(gè)刺激頻率,且每種刺激頻率由交替閃爍刺激頻率疊加組成,兩個(gè)刺激頻率分別呈現(xiàn)兩種視覺(jué)刺激,即有六種方向的光柵和有六種顏色的棋盤(pán)格。實(shí)驗(yàn)分為注意方向的條件和注意顏色的條件。2,對(duì)實(shí)驗(yàn)中出現(xiàn)的兩種視覺(jué)刺激分別計(jì)算了正向編碼模型,并在模型效果上得到了注意條件與非注意條件之間的顯著主效應(yīng),并通過(guò)模型的預(yù)測(cè)結(jié)果調(diào)節(jié)正向編碼模型的輸入特征以得到最優(yōu)的信號(hào)特征。3,使用多種方法來(lái)提取信號(hào)中與視覺(jué)刺激相關(guān)的特征,除了使用功率譜特征以外,提出了兩種信號(hào)特征提取方法,一是通過(guò)注意對(duì)穩(wěn)態(tài)視覺(jué)誘發(fā)電位的功率幅度調(diào)制機(jī)制,在信號(hào)的時(shí)頻圖中分別提取不同的信號(hào)特征,二是通過(guò)正向編碼模型來(lái)提取最優(yōu)的信噪比特征。4,使用三種信號(hào)特征,和三種不同的分類(lèi)器,來(lái)進(jìn)行多元模式分析,分類(lèi)器包括棧式自編碼神經(jīng)網(wǎng)絡(luò)、線性判別分析、以及支持向量機(jī)三種分類(lèi)器。首先進(jìn)行的是不同顏色之間的六分類(lèi)和不同方向之間的六分類(lèi),然后進(jìn)行了注意方向與注意顏色兩種實(shí)驗(yàn)條件之間的二分類(lèi)。線性判別分析的六分類(lèi)結(jié)果表明,在注意條件下的分類(lèi)準(zhǔn)確率顯著高于隨機(jī)水平,并顯著性高于非注意條件下的分類(lèi)準(zhǔn)確率。棧式自編碼神經(jīng)網(wǎng)絡(luò)在注意與非注意條件下的準(zhǔn)確率都高于隨機(jī)水平,但是未發(fā)現(xiàn)注意的主效應(yīng)。信噪比特征在該問(wèn)題的二分類(lèi)效果上不如功率譜特征,但在六分類(lèi)的效果上更好。論文通過(guò)設(shè)計(jì)雙視覺(jué)刺激的實(shí)驗(yàn)進(jìn)行多元模式分析研究,提出了針對(duì)該問(wèn)題的兩種特征提取方法,比較了多種分類(lèi)器和信號(hào)特征的效果,可以為復(fù)雜視覺(jué)特征的多元模式分析提供一定的參考。
[Abstract]:Pattern classification of brain signals has always been a hot topic in cognitive neuroscience, both in the academic research of functional magnetic resonance signals and EEG, and in practical applications. Through pattern classification, we can find out the information between different signals which is difficult to get by conventional analysis method. In addition to classification, linear modeling is also an increasingly common method. In recent years, more and more research has been done to model the visual regions of the human brain, especially the primary visual cortex. And used to reconstruct visual stimulation features. The purpose of this study is to extract the features of two simultaneous visual stimuli and analyze the multiple patterns. The main contents and achievements of this paper are as follows: 1. The stimulus paradigm of the steady-state visual evoked potential (SSVEP) with double stimulus frequency is designed. Two stimulus frequencies are used, and each stimulus frequency is composed of alternating flicker stimulation frequency. The two stimuli present two kinds of visual stimuli, that is, grating with six directions and checkerboard with six colors. The experiment was divided into two aspects: the condition of attention direction and the condition of attention color. 2. The positive coding model was calculated for the two kinds of visual stimuli in the experiment, and the significant main effect between the attention condition and the non-attention condition was obtained in the effect of the model. The input features of the forward coding model are adjusted by the prediction results of the model to obtain the optimal signal characteristics. 3. Various methods are used to extract the visual stimulus-related features, except for the power spectrum features. Two signal feature extraction methods are proposed. One is to extract different signal features in the time-frequency map of the signal by paying attention to the power amplitude modulation mechanism of the steady-state visual evoked potential. The second is to extract the optimal signal-to-noise ratio (SNR) features by the forward coding model. 4. Three signal features and three different classifiers are used for multivariate pattern analysis. The classifiers include stack self-coding neural networks and linear discriminant analysis. And support vector machine three classifiers. First there are six classifications between different colors and six classifications between different directions. Then two classifications between the two experimental conditions of attention direction and attention color are carried out. The six classification results of linear discriminant analysis show that the classification accuracy under attention condition is significantly higher than that at random level and is significantly higher than that under non-attention condition. The accuracy of stack self-coding neural network is higher than that of random level under both attention and unattention conditions, but the main effect of attention is not found. The signal-to-noise ratio (SNR) feature is not as good as the power spectrum feature in the two-classification of the problem, but it is better in the six-classification. In this paper, by designing the experiment of dual visual stimulation, we study the multi-element pattern analysis, propose two feature extraction methods to solve this problem, and compare the effects of various classifiers and signal features. It can provide some reference for multiple pattern analysis of complex visual features.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：R318;TN911.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 焦健，曾琪明;地理屬性和圖形屬性耦合的信息編碼模型[J];遙感學(xué)報(bào);1998年04期

2 劉忠偉,章毓晉;利用顏色特征進(jìn)行圖象檢索[J];電子技術(shù)應(yīng)用;1999年02期

3 胡波;毛罕平;張艷誠(chéng);;用于識(shí)別田間空心蓮子草的顏色特征的研究[J];農(nóng)機(jī)化研究;2006年09期

4 張正偉;;基于動(dòng)態(tài)和顏色特征的火焰目標(biāo)檢測(cè)[J];科技資訊;2011年06期

5 李久永,李學(xué)群,普?qǐng)@媛,李天牧;計(jì)算機(jī)輔助農(nóng)產(chǎn)品分類(lèi)應(yīng)用中顏色特征的表征和提取[J];云南大學(xué)學(xué)報(bào)(自然科學(xué)版);1998年S1期

6 成芳,應(yīng)義斌;基于顏色特征的稻種霉變檢測(cè)算法[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2004年04期

7 周嘉姬;王濤;鐘寶榮;;基于顏色特征圖片的檢索技術(shù)[J];電腦知識(shí)與技術(shù)(學(xué)術(shù)交流);2007年04期

8 桂斌;;顏色傳輸算法的研究[J];微計(jì)算機(jī)信息;2010年05期

9 陳旋;曹毅;;基于顏色特征的嵌入式液態(tài)試劑檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2010年07期

10 趙琰;周俊杰;;基于顏色特征的圖像摘要算法[J];上海電力學(xué)院學(xué)報(bào);2010年05期

相關(guān)會(huì)議論文 前10條

1 崔翔宇;許百華;;顏色特征信息對(duì)客體檔案保持的影響[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

2 朱嘉瓏;;俄語(yǔ)顏色詞意義淺析[A];福建省外國(guó)語(yǔ)文學(xué)會(huì)2009年年會(huì)暨學(xué)術(shù)研討會(huì)論文集[C];2009年

3 委福祥;曲彥平;苑瑋琦;;鍍層腐蝕形貌圖像顏色特征的提取與分析[A];首屆信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2003年

4 黃勃;王寬全;李乃民;;基于像素的舌象顏色分析[A];第四次全國(guó)中西醫(yī)結(jié)合診斷學(xué)術(shù)研討會(huì)論文集[C];2010年

5 翟文鵬;吳愛(ài)國(guó);杜春燕;;基于煙霧顏色特征和運(yùn)動(dòng)特征分析的視頻煙霧探測(cè)[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

6 林敏;;刺激頻率對(duì)注意缺陷多動(dòng)障礙兒童喚醒水平的影響[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

7 吳成玉;邰曉英;趙杰煜;;基于顏色特征的圖像檢索方法與實(shí)現(xiàn)[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

8 朱偉濤;劉士榮;邱雪娜;;基于顏色和粒子濾波的視頻目標(biāo)檢測(cè)與跟蹤[A];PCC2009—第20屆中國(guó)過(guò)程控制會(huì)議論文集[C];2009年

9 郭忠偉;李洪峰;;C~3 I系統(tǒng)中基于顏色特征的戰(zhàn)場(chǎng)圖像快速檢索[A];中國(guó)造船工程學(xué)會(huì)電子技術(shù)學(xué)術(shù)委員會(huì)2006學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2006年

10 李彥鋒;閻麗;潘美華;;視覺(jué)刺激模式對(duì)視覺(jué)功能缺損可塑性修復(fù)作用的神經(jīng)基礎(chǔ)研究[A];第一屆全國(guó)腦與認(rèn)知科學(xué)學(xué)術(shù)研討會(huì)論文集[C];2005年

相關(guān)重要報(bào)紙文章 前5條

1 董嵐;藍(lán)色藍(lán)寶石之顏色分級(jí)[N];中國(guó)黃金報(bào);2004年

2 成都監(jiān)測(cè)臺(tái) 吳或;基于顏色特征的網(wǎng)絡(luò)不良視頻檢測(cè)技術(shù)研究[N];電子報(bào);2013年

3 張仁山;翡翠名稱(chēng)的特征[N];中國(guó)礦業(yè)報(bào);2003年

4 何屹;英研究表明視覺(jué)能觸發(fā)瘙癢[N];科技日?qǐng)?bào);2012年

5 白毅;中科院上海神經(jīng)所：發(fā)現(xiàn)果蠅具有基于經(jīng)驗(yàn)的學(xué)習(xí)能力[N];中國(guó)醫(yī)藥報(bào);2007年

相關(guān)博士學(xué)位論文 前10條

1 趙世杰;基于功能磁共振成像的大腦編碼和解碼技術(shù)的研究[D];西北工業(yè)大學(xué);2016年

2 王娟;基于計(jì)算機(jī)視覺(jué)的棉花干旱診斷研究[D];石河子大學(xué);2014年

3 白雪峰;足球視頻內(nèi)容分析關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2014年

4 遲瑩瑩;新舊客體顏色比例對(duì)預(yù)覽效應(yīng)的影響機(jī)制[D];東北師范大學(xué);2016年

5 劉麗;聯(lián)合信息在價(jià)值驅(qū)動(dòng)注意捕獲中的作用[D];天津師范大學(xué);2017年

6 陳雁;紡織服裝顏色風(fēng)格的原理與應(yīng)用[D];蘇州大學(xué);2002年

7 肖學(xué)中;基于實(shí)例的顏色處理新技術(shù)研究[D];上海交通大學(xué);2009年

8 陸榮秀;基于顏色特征的鐠/釹萃取過(guò)程組分含量檢測(cè)方法研究[D];南昌大學(xué);2015年

9 戴天虹;基于計(jì)算機(jī)視覺(jué)的木質(zhì)板材顏色分類(lèi)方法的研究[D];東北林業(yè)大學(xué);2008年

10 蔣孝鋒;服裝顏色明度對(duì)人情感的影響機(jī)制[D];蘇州大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 萬(wàn)超楊;基于雙頻SSVEP的顏色和朝向特征提取[D];電子科技大學(xué);2017年

2 趙穎;有關(guān)歷代主要字詞典所收顏色詞的系統(tǒng)研究[D];山西師范大學(xué);2010年

3 許媛;洱海藍(lán)藻爆發(fā)識(shí)別的研究及工程實(shí)現(xiàn)[D];昆明理工大學(xué);2015年

4 沈新寧;基于顏色特征的快速圖像檢索技術(shù)的研究[D];復(fù)旦大學(xué);2014年

5 張晶晶;基于高光譜成像技術(shù)的杏成熟度判別研究[D];山西農(nóng)業(yè)大學(xué);2015年

6 韓大洋;提高人眼匹配顯示器到投影儀顏色再現(xiàn)精度的方法研究[D];云南師范大學(xué);2015年

7 唐欽;基于紋理和顏色特征的植物葉片識(shí)別方法研究[D];浙江大學(xué);2015年

8 任天威;基于stm32微處理器的顏色采集與分析[D];黑龍江大學(xué);2015年

9 許世杰;基于色差模型的色盲輔助矯正方法研究[D];西安電子科技大學(xué);2014年

10 周?chē)?guó)慶;基于視覺(jué)顯著性的圖像目標(biāo)檢測(cè)設(shè)計(jì)與實(shí)現(xiàn)[D];西安電子科技大學(xué);2014年

，

本文編號(hào)：2361149