一种脑电噪声检测与去除模型及其在睁闭眼检测系统中的应用

一种脑电噪声检测与去除模型及其在睁闭眼检测系统中的应用

论文摘要

随着脑电信号应用的飞速发展,脑电信号的噪声去除成为一个令人期待又具有挑战的研究领域。脑电信号中的噪声会影响脑电信号的分析以及特征提取,甚至会导致脑电信号分析中产生错误的结论,因为有时产生的噪声幅度会大到足够淹没脑电信号或者从频域上与脑电信号重叠。虽然很多已有的工作已经在这个方向有所突破,但是,目前研究大多专注于噪声去除算法,少有研究利用噪声检测和噪声去除相结合的方法来去除脑电信号的噪声并且设计出具有实际应用价值的睁闭眼检测系统。本文针对对脑电信号影响较大的三种噪声:眼电、肌电以及工频噪声,采取了将噪声检测与去除相结合的方法来去除这三类噪声,提出了一种噪声检测与去除应遵循的顺序和检测报警的一组适当阈值,并且采用根据不同程度噪声报警阈值确定不同的噪声去除阈值的方法,极大的提高了脑电噪声去除的运行效率。并且本文针对单导脑电信号提出了一种实用高效的去除眼电的方法,从而为睁闭眼检测系统提供了良好的脑电数据。在睁闭眼检测的应用中,通过20名受试者的100例样本数据进行实验分析,验证了alpha节律的个体差异性和短期平稳性,确定了睁闭眼的alpha指数的变化阈值范围并将之应用于检测受试者的睁闭眼系统当中去。此外,我们还讨论了在外界有声音的条件下,alpha节律的幅值以及睁闭眼的阈值并不会受到影响。实验结果表明,相比于传统的噪声检测与去除手段,本文所提出的方法在系统的应用中大大降低了时间复杂度,使睁闭眼检测系统更加具有准确性,可行性和有效性。

论文目录

  • 中文摘要
  • Abstract
  • 第一章 绪论
  • 1.1 引言
  • 1.2 脑电信号中的噪声
  • 1.2.1 脑电信号噪声分类
  • 1.2.2 噪声检测和噪声去除的研究现状
  • 1.3 睁闭眼检测系统的研究现状及对噪声检测与去除的要求
  • 1.4 本文的主要工作
  • 第二章 脑电噪声检测与去除的模型原理及设计
  • 2.1 脑电噪声检测与去除模型概述
  • 2.2 脑电噪声检测与去除的模型设计
  • 2.3 脑电噪声检测与去除的模型的有效性
  • 第三章 脑电噪声检测与去除算法及应用
  • 3.1 脑电噪声检测与去除算法基础
  • 3.1.1 小波变换基本理论及应用
  • 3.1.2 独立分量分析基本理论及应用
  • 3.2 脑电噪声检测的算法
  • 3.2.1 眼电噪声检测算法
  • 3.2.2 工频噪声检测算法
  • 3.2.3 肌电噪声检测算法
  • 3.3 脑电噪声去除算法
  • 3.3.1 眼电噪声去除算法
  • 3.3.2 工频噪声以及肌电噪声去除算法
  • 第四章 睁闭眼检测系统
  • 4.1 噪声检测与去除模型在睁闭眼检测系统中的应用
  • 4.2 睁闭眼检测系统思路
  • 4.3 睁闭眼检测的验证性实验
  • 4.3.1 alpha节律的个体差异性
  • 4.3.2 alpha节律的短期时间平稳性
  • 4.3.3 alpha节律的门限阈值
  • 4.4 睁闭眼检测实验结果及性能评估
  • 第五章 总结与展望
  • 参考文献
  • 在学期间的研究成果
  • 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:;  ;  ;  ;  ;  

    一种脑电噪声检测与去除模型及其在睁闭眼检测系统中的应用
    下载Doc文档

    猜你喜欢