| 【中文题名】 | 基于独立分量分析算法的脑电诱发电位的特征提取 |
| 【英文题名】 | Feature Extraction of Visual Evoked Potentials Using Independent Component Analysis |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-5-11 |
| 【中关键词】 | 脑电信号,视觉诱发电位,独立分量分析,互信息,支持向量机,脑机接口 |
| 【英关键词】 | Electroencephalogram （EEG）,Visual Evoked Potentials （VEP）,Independent Component Analysis （ICA）,Mutual Information （MI）,Support Vector Machine （SVM）,Brain Computer Interface （BCI）, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化系统>数据处理、数据处理系统>数据收集和处理系统 |
| 【论文摘要】 |
脑电信号是从头皮记录到的脑细胞群的自发性或诱发性电活动,它是人脑内部各种活动的外部表征,蕴含着丰富的生理、心理及病理信息。脑电信号的分析及处理无论是对临床上一些脑疾病的诊断和治疗,还是对认知科学研究领域的发展都是十分重要的。
从头皮采集的脑电信号中通常混叠着不同种类的伪迹,主要如:眼动、心电、肌电、工频干扰,它们主要来自一些生理源和噪声源的影响。这些干扰很大程度上淹没了微弱的诱发电位,给临床应用和科研分析带来了极大的不便。如何从原始脑电中获取大脑活动的诱发信息成为脑电分析中亟待解决的问题。
近年来,随着独立分量分析在信号处理领域的广泛应用,它也被迅速引入到生物医学信号处理领域。大量事实表明,ICA方法普遍适用于脑电信号中各种噪声的消除和有用信息的增强,这种普遍性是对传统的平均叠加处理、时频分析方法的重要突破。
本文在ICA理论及算法的基础上,提出一个新的周期性源信号提取算法,并将其应用到实际的几何图形刺激脑电试验,用于提取与刺激事 |
| 【论文题纲】 |
|
摘要 |
3-5 |
|
ABSTRACT |
5-10 |
|
第一章 绪论 |
10-15 |
|
1.1 脑电信号与诱发电位 |
10 |
|
1.2 脑电分析方法发展历史 |
10-12 |
|
1.3 诱发电位研究现状 |
12-14 |
|
1.4 本文工作内容及章节安排 |
14-15 |
|
第二章 独立分量分析理论与实现 |
15-38 |
|
2.1 统计分析理论基础 |
15-21 |
|
2.2 信息论基础 |
21-23 |
|
2.3 主元分析法 |
23-26 |
|
2.4 独立分量分析 |
26-33 |
|
2.5 带参考信号的ICA 算法 |
33-36 |
|
2.6 ICA 在脑电信号处理中的应用 |
36-38 |
|
第三章 两阶段周期性源信号提取算法 |
38-47 |
|
3.1 引言 |
38-39 |
|
3.2 算法概述 |
39 |
|
3.3 算法框架 |
39-40 |
|
3.4 第一阶段：粗提取 |
40-42 |
|
3.5 第二阶段：精提取 |
42-46 |
|
3.6 整体算法 |
46-47 |
|
第四章 基于互信息准则的特征选择算法 |
47-56 |
|
4.1 引言 |
47 |
|
4.2 互信息准则：熵、互信息和MARKOV 链 |
47-48 |
|
4.3 聚类算法 |
48 |
|
4.4 特征选择算法 |
48-56 |
|
第五章 支持向量机分类器 |
56-62 |
|
5.1 基本原理 |
56-57 |
|
5.2 支持向量机 |
57-61 |
|
5.3 本章小结 |
61-62 |
|
第六章 几何图形视觉诱发仿真试验 |
62-73 |
|
6.1 试验方案 |
62-65 |
|
6.2 仿真实验结果 |
65-73 |
|
第七章 总结与展望 |
73-75 |
|
7.1 本论文的创新点和贡献 |
73 |
|
7.2 未来工作展望 |
73-75 |
|
参考文献 |
75-78 |
|
符号与标记（附录1） |
78-79 |
|
致谢 |
79-80 |
|
攻读硕士学位期间已发表或录用的论文 |
80-82 |
|
| 【DOI】 | LunWen.ID:2.2008.382798 |
