视觉信息处理过程中脑电信号的非线性动力学研究

论文摘要

脑电图(Electroencephalograms, EEG)记录了人体大脑中神经元的电活动,具有反映大脑不同生理病理状态的能力。非线性动力学(Nonlinear Dynamics, ND)在EEG 分析中的应用在近期内逐步发展起来,并且获得了一定的成果。根据ND 的理论,EEG 是由大脑产生的非线性时间序列,体现出复杂行为。非线性参数,比如说:关联维(Correlation Dimension, D2)、近似熵(Approximate Entropy, ApEn)、最大李雅普诺夫指数(Largest Lyapunov Exponent, L1)等,刻画了非线性系统的复杂度。总的来说,这些非线性动力学的研究可以分为两类:生理学研究和病理学研究。前者一般集中于对不同意识及精神状态进行评估(比如不同睡眠阶段的区分、麻醉程度的判别等),后者则集中于对不同神经及精神科疾病进行研究(比如癫痫、脑损伤和老年痴呆等)。图像的辨别与分类是人们的日常行为,其潜在的视觉信息处理机制己逐步引起学者们的注意。部分研究己经开展起来,以研究人们在进行图像的辨别与分类时,其EEG 的动力学行为。采用独立变量分析(Independent Component Analysis, ICA)分析的结果表明:独立变量参数可以体现出颅内神经的同步性;一种改进的事件相关电位(Improved Event Related Potentials, ERP)的分析方法对类似EEG 进行了研究,其结果表明:在进行目标识别的过程中(或过程后),人脑局部区域内与事件相关的电活动的改变可对大脑皮层不同区域间的通信强度进行调节。本研究采用非线性动力学的方法检测了受试者在进行视觉信息处理(图像的辨别与分类)的过程中EEG 复杂度的变化情况、计算了受试者EEG 维的复杂度(Dimensional Complexity, DCx)值、构造了一个相似度指数(Similarity

论文目录

• 1 引言
• 1.1 课题的研究意义及国内外研究现状分析
• 1.1.1 课题的研究意义
• 1.1.2 国内外研究现状分析
• 1.2 本课题所做工作及意义
• 2 背景知识
• 2.1 人类大脑及其神经系统
• 2.2 脑电图
• 2.3 非线性动力学的理论基础
• 2.3.1 什么是混沌?—虫口模型（Logistic 方程）
• 2.3.2 分形及分形维—“英国海岸线有多长?”
• 2.3.3 生理信号中的分形
• 3 非线性时间序列分析及参数选择
• 3.1 自相关函数
• 3.2 相空间重构
• 3.3 非线性时间序列参数算法
• 3.3.1 关联维
• 3.3.2 维的复杂度
• 3.3.3 两种算法的比较及其分析
• 4 材料及方法
• 4.1 材料
• 4.2 数据预处理
• 4.3 基本算法
• 4.4 计算机程序设计
• 4.4.1 EEG 信号预处理
• 4.4.2 确定τ值及优化时延
• 4.4.3 相空间重构及T-E 算法实现
• 4.4.4 绘制脑地形图
• 5 结果及讨论
• 5.1 结果
• 5.2 讨论
• 5.3 方法本身存在的问题及可能的改进
• 6 总结及展望
• 参考文献
• 中英对照
• 文献综述
• 科研简介
• 致谢
• 声明