脑电生物反馈针灸治疗仪的研究与开发

脑电生物反馈针灸治疗仪的研究与开发

论文摘要

自人类检测到脑电活动以来,人们便开始探讨利用控制脑电的方法治疗神经性疾病,脑电生物反馈疗法便是这些研究之一。脑电生物反馈疗法是一种用于解除生理和心理不适的方法,它通过采集受试者的脑电信号并以某种方式显示出来,以训练受试者有意识地控制自身脑电波模式,达到解除生理和心理不适的目的。基于脑电生物反馈疗法已有不少成功的案例,本研究根据控制论的反馈原理,运用小波变换等数字信号处理技术,通过EEG采集系统、EEG处理系统、电针反馈脉冲刺激系统构造一个脑电生物反馈系统。治疗时,通过该系统把浅、深睡时的脑电信号δ波和θ波的各种组合(按照人类睡眠规律进行组合)转换成电脉冲刺激失眠病人的特定穴位,以达到治疗失眠的目的。本论文的最终目标是研制一台基于脑电生物反馈原理和针灸治疗原理的失眠治疗仪器,主要是由三部分构成:EEG采集系统、EEG处理系统、电针反馈脉冲刺激系统。1.EEG采集系统:主要实现对微弱的脑电信号进行放大、滤波等。利用ADS1258高速多通道24位AD转换器进行脑电数据采集,配合使用SPI和I2C串口方式传输数据,用9个电极实现了8导联脑电信号的同步采集和传输。2.EEG处理系统:脑电信号经EEG采集系统采集后,经过预处理将放大的脑电信号通过24位ADS1258采样器转换为数字信号送入DSP芯片。DSP芯片采用TMS320VC5509A,是整个治疗仪的核心,它接收EEG采集系统送来的数字信号,利用小波变换算法提取与睡眠相关的脑电特征——δ波和θ波。3.电针反馈脉冲刺激系统:在提取脑电特征后,通过TLV5616数模转换芯片,将其转换成模拟信号,再经过采样电路,输出经δ波和θ波调制的医用脉冲送到电针,内容包括脉冲频率、幅值可调及相应的声光报警等安全保障措施。实验表明该治疗仪可以提取高质量的睡眠脑电信号——δ波和θ波,满足相关的医疗实验及安全保障,并且整个治疗仪硬件电路简洁、功耗低、可靠性高。另外,整个系统的体积非常小巧,在该系统的基础上进一步增加和完善功能,完全可以实现便携式要求,病人可以方便的在家进行自我检测和治疗,在生物医学信号处理方面具有很好使用的价值和广泛的运用前景。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 学术背景及理论与实际意义
  • 1.1.1 生物反馈治疗法
  • 1.1.2 脑电生物反馈疗法
  • 1.1.3 小波分析理论
  • 1.1.4 研究意义
  • 1.2 国内外文献综述
  • 1.3 本研究课题的来源及主要研究内容
  • 1.3.1 课题来源
  • 1.3.2 主要研究内容
  • 1.4 论文结构
  • 第二章 系统总体方案设计
  • 2.1 EEG采集系统
  • 2.2 EEG处理系统
  • 2.3 电针反馈脉冲刺激系统
  • 2.4 本章小结
  • 第三章 系统硬件电路设计
  • 3.1 电源硬件电路设计
  • 3.2 EEG采集系统硬件电路设计
  • 3.2.1 8路脑电信号差动放大电路
  • 3.2.2 导联线脱落检测模块
  • 3.2.3 低通滤波器及隔离电路
  • 3.3 EEG处理系统硬件设计
  • 3.3.1 主控制芯片——TMS320VC5509A
  • 3.3.2 脑电信号采集系统与DSP接口电路
  • 3.3.3 DSP与EEPROM的接口电路
  • 3.3.4 数据储存——SD卡与DSP连接
  • 3.3.5 数据储存——SDRAM与DSP连接
  • 3.3.6 按键和液晶显示
  • 3.4 电针反馈脉冲刺激系统硬件设计
  • 3.4.1 DA转换模块的硬件设计
  • 3.4.2 脉冲调制电路模块的硬件设计
  • 3.4.3 脉冲升压模块的硬件设计
  • 3.5 本章小结
  • 第四章 小波分析
  • 4.1 连续小波变换及其时频特征
  • 4.2 二进小波变换
  • 4.3 Mallat算法
  • 4.4 Mallat算法仿真
  • 4.5 本章小结
  • 第五章 系统软件设计
  • 5.1 CCS及CSL简介
  • 5.2 系统软件结构总述及软件流程
  • 5.2.1 系统软件结构
  • 5.2.2 软件流程
  • 5.3 DSP系统软件设计
  • 5.3.1 DSP初始化
  • 5.3.2 设置ADS1258工作模式
  • 5.3.3 设置PCA9535工作模式
  • 5.3.4 键盘及显示处理
  • 5.3.5 SD卡数据存储
  • 5.4 Mallat算法软件设计
  • 5.4.1 Mallat算法
  • 5.4.2 用片内外设DMA实现数据吞吐
  • 5.4.3 DMA中断
  • 5.5 程序烧写
  • 5.5.1 COFF目标文件
  • 5.5.2 bin文件生成
  • 5.5.3 EEPROM程序烧写
  • 5.6 结果分析
  • 5.7 本章小结
  • 结论与展望
  • 参考文献
  • 攻读硕士学位期间发表论文
  • 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:;  ;  ;  

    脑电生物反馈针灸治疗仪的研究与开发
    下载Doc文档

    猜你喜欢