论文摘要
脑电信号(Electroencephalo-signal,EES)是通过电极记录下来的脑电细胞群的自发性、节律性电活动,它包含了大量的生理与病理信息,对其作深入的研究有助于临床医生提高对大脑神经系统疾病的诊断和检测的可靠性和准确性,所以在临床诊断中起着越来越重要的作用。对脑电信号进行分析和提取,国内外有关这一领域的研究日益增多。而且随着信号处理技术的发展,许多经典的或现代的信号处理分析方法已经应用于脑电信号中。可以说,前人的工作已经提供了很好的基础。本课题研究的创新观点主要体现在以下两个方面:1、提出一种基于傅立叶变换的新的频域多分辨分析方法,用于分解脑电信号成δ、θ、α和β四个脑波主要分量,计算了10个样本在不同状态下各波的功率变化比较。(1)睁眼和闭眼状态下δ、θ、α和β四个脑波主要分量的研究结果:闭眼状态下,双通道α分量功率分别为: 7.31±5.92μV2和8.72±6.07μV2,p>0.05,两通道没有显著性差异;双通道β分量为:1.2±0.67μV2和1.12±0.57μV2,p>0.05,没有显著差异;双通道δ分量为:17.29±13.11μV2和17.32±12.87μV2,p>0.05,没有显著差异;双通道θ分量为:3.38±2.95μV2和3.35±2.86μV2,p>0.05,没有显著差异。睁眼状态下,双通道α分量为:1.58±0.95μV2和1.53±0.94μV2,p>0.05,没有显著差异;双通道β分量为:2.39±1.56μV2和2.31±1.89μV2,p>0.05,没有显著差异;双通道δ分量为: 15.86±7.57μV2和14.64±7.28μV2,p>0.05,没有显著差异;双通道θ分量为:3.38±2.95μV2和3.35±2.86μV2,p>0.05,没有显著差异。睁眼和闭眼状态比较,各分量变化情况为:α成分百分比减少(两通道分别减少13.45%和17.34%),p<0.05,有显著差异;β成分百分比增加(两通道分别增加11.21%和12.21%), p<0.05,有显著差异;δ成分百分比增加(两通道分别增加7.43%和8.8%),p>0.05;θ成分百分比减少(两通道分别减少2.57%和3.79%),p>0.05 ,δ波和θ波在睁眼和闭眼状态没有显著性差异。以上结果提示脑电信号中的α、β两分量与状态密切相关。(2)安静状态和闪光刺激状态下δ、θ、α和β四个脑波分量的研究结果:安静状态下,双通道α分量占总功率百分比:12.17±0.7(%)和13.1±0.66(%),p>0.05,没有显著差异;双通道β分量为:4.4±0.9(%)和5.07±0.37(%),p>0.05,没有显著差异;双通道δ分量为56.74±1.49(%)和53.9±1.47(%),p>0.05,没有显著差异;双通道θ分量为:20.89±0.71(%)和21.6±0.72(%), p>0.05,没有显著差异。闪光状态下,双通道α分量为:15.26±0.69(%)和15.14±0.64(%), p>0.05没有显著差异;双通道β分量为:7.54±0.39(%)和8.96±0.51(%),p>0.05,没有显著差异;双通道δ分量为: 43.73±1.1(%)和41.27±0.97(%),p>0.05,没有显著差异;双通道θ分量为:24.2±0.75(%)和24.1±0.75(%),p>0.05,没有显著差异。安静和闪光状态比较,各分量变化情况为:θ成分增加(两通道分别增加的百分比分别为3.3%和2.5%),p>0.05,没有显著差异;α成分增加(两通道分别增加百分比分别为2.54%和2.04%),p<0.05,有显著差异;β成分增加(两通道分别增加百分比分别为3.09%和3.88%,p<0.05),有显著差异。以上结果提示:闪光刺激以后,α波、β波各个频带功率均增加,说明这几个频带与刺激状态有关。通过分析,可以得出该方法理论成熟,物理意义清楚,能分别在不同分辨级上给出信号的平滑和细节两个方面的频域及时域信息。因此能获得比小波多分辨分析更多的信息。2、提出一类新的幅值平方相干函数,并证明了传统幅值平方相干函数的结果恒等于1,这样传统幅值平方相干函数就不能应用于提取两信号的相干信息,因此,提出一种新的幅值平方相干函数,它们能够正确的识别两个信号间的相干性,并推导了它们等于1和0的条件。计算了10个样本不同状态下的相干性,比较得出,发现在闪光刺激状态下,四个主要频带的平均相干系数都增加,这说明在闪光状态下,脑电信号更加趋于同步性,而且同名幅值平方相干函数的相干谱线高于异名幅值平方相干函数的谱线,表明在对称区,同一频率上的同名成分相干性要好些,有较强的同相性。从我们所得到的结果推论出,利用本文的脑电分析系统,对脑电信号进行分析处理的方法是可行有效的。
论文目录
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)