持续最大随意运动期间脑电信号研究

持续最大随意运动期间脑电信号研究

论文摘要

运动性疲劳一直是运动科学界研究的热点之一。虽然许多研究已经说明了肌肉和外周神经肌肉系统的疲劳机制,但是肌肉疲劳期间对中枢神经系统特别是脑的有关研究仍然很少。20世纪中后期,脑非损伤性研究技术的发展,为对中枢神经系统特别是脑的结构和功能研究提供了快速、准确的成像手段,也为研究疲劳期间中枢神经系统的调控机制提供了新的思路。本研究开发了脑电复杂度分析系统,对持续最大随意运动诱导肌肉疲劳期间的脑电信号进行初步研究。人类大脑是一个复杂的、 自组织的非线性动力学系统。 目前,脑电图仪配套软件一般只含有频域分析等基本功能,没有对脑电进行非线性系统分析的功能模块。本研究开发了脑电复杂度分析软件,为脑电图仪配套软件添加了新的功能模块。该软件分为两部分开发:一是用C++Builder开发的脑电复杂度分析系统,可通过动态链接库直接读取脑电数据文件,除了具备基本的脑电预处理功能,还添加用分形几何盒式法作为复杂性分析方法的功能模块,安装配置简易化,具有较高的独立性;二是用Matlab开发的专门处理EEG信号的程序,包括分形几何盒式法(FGD)、Lempel-Ziv(LZ)、徐京华的C1和C2等的分析。本研究采集持续最大随意运动诱导肌肉疲劳期间的脑电信号,主要对运动和感觉相关脑区的波段及其相对功率值、非线性(LZ,FGD)特性进行了分析。6名健康男性志愿者完成持续最大随意运动诱导肌肉疲劳实验。连续记录2min安静状态和3min运动负荷期间的EEG信号。计算安静状态和运动负荷期间4个水平的波段的相对功率值、LZ(Lempel-Ziv)复杂度、FGD(分形几何盒式法),观察它们随肌肉疲劳发展的变化规律。实验结果显示持续最大随意运动诱导肌肉疲劳期间,C3、 C4、 O1脑区的θ1波的相对功率值先增加而后降低;在P4脑区的θ1

论文目录

  • 中文摘要
  • ABSTRACT
  • 缩略词
  • 一前言
  • 二EEG复杂度分析软件
  • 1EEG信号及其分析方法
  • 1.1EEG信号
  • 1.2EEG信号的发生机制(尧德中2003)
  • 1.3EEG复杂性计算方法研究
  • 1.4EEG复杂性应用研究
  • 2脑电复杂度分析软件系统分析
  • 2.1系统目标
  • 2.2系统结构
  • 2.3软件主要功能
  • 2.4运行简介
  • 三持续最大随意运动期间脑电信号研究
  • 1运动诱导的肌肉疲劳研究
  • 1.1运动性肌肉疲劳
  • 1.2运动诱导肌肉疲劳期间神经系统的研究
  • 1.3持续最大随意运动诱导肌肉疲劳的研究
  • 1.4选题依据
  • 2研究方法与对象
  • 2.1研究方法
  • 2.2研究对象
  • 2.3测试指标
  • 2.4数据采集与分析
  • 3结果与分析
  • 3.1持续最大随意运动诱导肌肉疲劳期间的相对功率值
  • 3.2持续最大随意运动诱导肌肉疲劳期间的复杂度分析(LZ)
  • 3.3持续最大随意运动诱导肌肉疲劳期间的复杂度分析(FGD)
  • 4讨论
  • 5结论
  • 参考文献
  • 附录
  • 附录一:LZ复杂度程序(运行环境:MATLAB7.0)
  • 附录二:分形几何盒式法复杂度程序(运行环境:MATLAB7.0)
  • 附录三:研究生期间发表论文与综述
  • 致谢
  • 相关论文文献

    • [1].基于脑电信号反馈控制的双轨道小车控制器设计[J]. 电子制作 2019(23)
    • [2].酒精脑电信号降维去噪方法的研究[J]. 长春理工大学学报(自然科学版) 2019(06)
    • [3].脑电信号分析方法及其应用[J]. 中国医疗器械杂志 2020(02)
    • [4].一种基于脑电信号的眼动方向分类方法[J]. 计算机科学 2020(04)
    • [5].我国脑电信号分析方法及在工学方面的应用研究[J]. 中外企业家 2020(19)
    • [6].基于脑电信号分析的换挡布置优化[J]. 汽车实用技术 2020(17)
    • [7].基于多尺度排列熵的脑电信号分类[J]. 中国数字医学 2019(05)
    • [8].基于深度学习的癫痫脑电信号分析与预测[J]. 长春大学学报 2019(06)
    • [9].关于脑电信号的情感优化识别仿真[J]. 计算机仿真 2018(06)
    • [10].基于脑电信号的耳鸣识别算法研究[J]. 科技传播 2018(13)
    • [11].癫痫脑电信号的相关性分析[J]. 电子世界 2017(05)
    • [12].基于半监督学习的脑电信号特征提取及识别[J]. 工程科学与技术 2017(S2)
    • [13].基于脑电信号的驾驶疲劳的研究[J]. 世界最新医学信息文摘 2017(55)
    • [14].运动想象脑电信号特征的提取与分类[J]. 工业控制计算机 2015(02)
    • [15].脑电信号的最优分数阶傅里叶变换[J]. 沈阳大学学报(自然科学版) 2019(06)
    • [16].基于多特征卷积神经网路的运动想象脑电信号分析及意图识别[J]. 仪器仪表学报 2020(01)
    • [17].人脑电信号实时监测原型系统设计与实现[J]. 计算机工程与应用 2019(02)
    • [18].基于方差和深度学习的脑电信号分类算法[J]. 黑龙江工程学院学报 2017(06)
    • [19].脑电信号识别及其在机械手臂控制中的应用[J]. 生物医学工程研究 2016(04)
    • [20].少年与中年脑电信号的多尺度符号序列熵分析[J]. 北京生物医学工程 2016(06)
    • [21].基于卷积神经网络的脑电信号上肢运动意图识别[J]. 浙江大学学报(工学版) 2017(07)
    • [22].脑电信号在线采集系统设计与实现[J]. 微型机与应用 2017(22)
    • [23].便携式脑电信号采集与处理系统(英文)[J]. 航天医学与医学工程 2016(03)
    • [24].正常人中医体质分类与脑电信号相关性探讨[J]. 辽宁中医药大学学报 2014(11)
    • [25].脑电信号采集系统的设计[J]. 河北建筑工程学院学报 2014(01)
    • [26].思维脑电信号的关联维数分析[J]. 河南科技大学学报(自然科学版) 2012(01)
    • [27].一种适用于清醒动物脑电信号采集的固定装置[J]. 首都医科大学学报 2011(06)
    • [28].运动想象脑电信号识别研究[J]. 计算机工程与应用 2010(33)
    • [29].基于照片刺激下的脑电身份识别研究[J]. 江西蓝天学院学报 2011(04)
    • [30].静息脑电信号频域不对称指数特征识别算法[J]. 电子设计工程 2020(09)

    标签:;  ;  ;  ;  ;  

    持续最大随意运动期间脑电信号研究
    下载Doc文档

    猜你喜欢