EEG信號(hào)MATLAB分析平臺(tái)設(shè)計(jì)-模式識(shí)別部分【含畢業(yè)論文、開(kāi)題報(bào)告、文獻(xiàn)綜述】
EEG信號(hào)MATLAB分析平臺(tái)設(shè)計(jì)-模式識(shí)別部分【含畢業(yè)論文、開(kāi)題報(bào)告、文獻(xiàn)綜述】,eeg,信號(hào),matlab,分析,平臺(tái),設(shè)計(jì),模式識(shí)別,部分,部份,畢業(yè)論文,開(kāi)題,報(bào)告,講演,呈文,文獻(xiàn),綜述
本科生畢業(yè)設(shè)計(jì)(論文)文 獻(xiàn) 綜 述姓 名學(xué) 號(hào)學(xué) 院專 業(yè)年 級(jí)一、課題國(guó)內(nèi)外現(xiàn)狀人的大腦是由數(shù)以萬(wàn)計(jì)的針尖大小的神經(jīng)交錯(cuò)構(gòu)成的。神經(jīng)相互作用時(shí),腦電波模式就表現(xiàn)為思維狀態(tài)。每次神經(jīng)活動(dòng)時(shí)都會(huì)產(chǎn)生輕微的放電,許多神經(jīng)共同放電產(chǎn)生的集體電波可以通過(guò)測(cè)量得到。從頭皮記錄到的 EEG 信號(hào)時(shí)域的幅值在 0.1200uV, 頻率主要分布在 0.5 50 Hz 之間。相關(guān)研究已表明,人體在做不同動(dòng)作或者想像任務(wù)時(shí)大腦皮層不同區(qū)域的刺激大小不同,相應(yīng)會(huì)產(chǎn)生不同的 EEG 信號(hào) 1。1929 年德國(guó)神經(jīng)精神病學(xué)家 Hans Berger 首先報(bào)告了在人類完整的頭皮上安放電極,描記人類大腦的電活動(dòng)。此后他的研究成果不斷得到電生理及神經(jīng)生理學(xué)家的證實(shí),使 EEG 學(xué)在全世界范圍得以發(fā)展,并開(kāi)始為臨床和科學(xué)服務(wù)。診斷異常腦電圖,主要不是根據(jù)它缺少正常腦電圖的成分或類型,而應(yīng)根據(jù)它是否含有不正常腦電活動(dòng)或類型。自 1932 年 Dietch 首先用傅立葉變換進(jìn)行了 EEG 分析之后, 在腦電分析中相繼引入了頻域分析、時(shí)域分析等腦電圖分析的經(jīng)典方法。近年來(lái), 在腦電圖分析中應(yīng)用了小波分析、匹配跟蹤方法、神經(jīng)網(wǎng)絡(luò)分析、混沌分析等方法以及各種分析方法的有機(jī)結(jié)合, 有力地推動(dòng)了腦電信號(hào)分析方法的發(fā)展 2。(1)AR 參數(shù)模型譜估計(jì)。在現(xiàn)代譜估計(jì)方法中,參數(shù)模型法是應(yīng)用最廣泛的一種方法,近年來(lái)在EEG 信號(hào)處理中應(yīng)用較為普遍。將 AR 模型應(yīng)用到 EEG 分析中的基本思想是假設(shè)可以用 AR 過(guò)程近似真實(shí) EEG 信號(hào),基于這一假設(shè),根據(jù)實(shí)際 EEG 信號(hào),選取合適的階次、參數(shù)使得 AR 模型所對(duì)應(yīng)的 AR 過(guò)程盡可能逼近 EEG 信號(hào)。采用 AR 參數(shù)模型進(jìn)行特征提取,是考慮到 EEG 信號(hào)是典型的非平穩(wěn)隨機(jī)信號(hào)12。利用 AR 模型對(duì) EEG 信號(hào)進(jìn)行壓縮。在一般的 EEG 實(shí)驗(yàn)室中,5060 分鐘長(zhǎng)的 EEG 信號(hào)是常見(jiàn)的事,因此,大容量的腦電信號(hào)的存儲(chǔ)是腦電數(shù)據(jù)庫(kù)必然面臨的問(wèn)題。因此,EEG 信號(hào)的數(shù)據(jù)壓縮具有重大的現(xiàn)實(shí)意義。實(shí)測(cè)得到的 EEG 數(shù)據(jù)長(zhǎng)約 160 s, 采樣率為 256Hz ,4 通道。測(cè)得的 EEG 信號(hào)利用AR 模型分段擬合,每段采樣點(diǎn)數(shù)為 1024 點(diǎn),AR 的階數(shù) P =15,采用 Levison-Durbin 遞推算法,從而把 1024 點(diǎn)數(shù)據(jù)壓縮為 16 個(gè)系數(shù)與預(yù)測(cè)誤差。(2)雙譜分析。功率譜分析可以有效地反映信號(hào)的二階信息,卻丟失了包括相位信息在內(nèi)的高階信息,而這些信息對(duì) EEG 信號(hào)分析有時(shí)顯得很有意義。雙譜分析要求信號(hào)至少三階平穩(wěn),因此對(duì)短數(shù)據(jù) EEG 信號(hào)才有意義。(3)時(shí)頻分析腦電信號(hào)是一種時(shí)變的、非平穩(wěn)信號(hào),不同時(shí)刻有不同的頻率成分,而單純的時(shí)、頻分析方法通過(guò)傅氏變換聯(lián)系起來(lái),它們的截然分開(kāi)是以信號(hào)的頻率時(shí)不變特性或統(tǒng)計(jì)特性平穩(wěn)為前提的。但由于時(shí)域和頻域分辨率的“不確定性原理” ,不可能在時(shí)域和頻域同時(shí)獲得較高的分辨率。而且在 EEG 中有許多病變都是以瞬態(tài)形式表現(xiàn)的,只有把時(shí)間和頻率結(jié)合起來(lái)進(jìn)行處理才能取得更好的結(jié)果??梢哉f(shuō)信號(hào)的時(shí)-頻表示法為腦電信號(hào)處理提供了非常好的前景。目前應(yīng)用的較為廣泛的方法有維格納- 費(fèi)利分布(Wigner -VilleDistribution,WD)和小波變換,匹配跟蹤方法目前也已用于睡眠紡錘波的分析 2。(4)諧波小波包變換腦電波是典型的非平穩(wěn)信號(hào),不同時(shí)刻有不同的頻率成分,把時(shí)間和頻率結(jié)合起來(lái)分析才能得到更好的結(jié)果。小波變換具有很好的時(shí)頻分析功能,因此近年來(lái)應(yīng)用小波變換分析腦電波倍受關(guān)注。例如應(yīng)用小波變換的多尺度分析來(lái)分析 EEG 中的異常波,如棘波、棘慢復(fù)合波等。在腦電圖檢測(cè)中,許多病變是以瞬態(tài)異常波形表現(xiàn)的,因此小波變換的局部瞬變捕捉性質(zhì)和線性相位特性尤為重要。常見(jiàn)的二進(jìn)小波變換的主要缺點(diǎn)是隨著分解層數(shù)的增加,逐漸向低頻聚焦,對(duì)信號(hào)的高頻段的刻劃比較粗糙。小波包變換是二進(jìn)小波變換的改進(jìn),對(duì)信號(hào)的高頻段也進(jìn)行分解,但是仍不能在同一分解層得到感興趣的頻段。另外,二進(jìn)小波變換和二進(jìn)小波包變換均采用二抽一采樣,隨著尺度的增加,采樣頻率減半,數(shù)據(jù)點(diǎn)減半,當(dāng)數(shù)據(jù)點(diǎn)數(shù)比較少時(shí),信號(hào)的細(xì)節(jié)會(huì)丟失。英國(guó)劍橋大學(xué) Newland 教授提出的諧波小波包變換對(duì)信號(hào)中的奇異成分非常敏感,具有線性相位特性并且可以用快速傅立葉算法實(shí)現(xiàn),具有重要的工程應(yīng)用意義。諧波小波變換可以通過(guò) FFT 和 IFFT 運(yùn)算實(shí)現(xiàn),這是諧波小波變換顯著的優(yōu)點(diǎn)。參數(shù)決定了諧波小波變換的尺度,通過(guò)不斷變化參數(shù)的值,調(diào)節(jié)帶寬大小和中心頻率,以匹配不同頻帶的信號(hào),就實(shí)現(xiàn)了諧波小波包變換 6。(5)希爾伯特一黃變換時(shí)頻分析方法在腦電分析中有其優(yōu)勢(shì),但主要的時(shí)頻分析方法各有優(yōu)缺點(diǎn):短時(shí)傅立葉變換簡(jiǎn)單易實(shí)現(xiàn),其主要缺陷在于所謂“窗效應(yīng)” ,使用固定的窗函數(shù),其頻率分辨率受窗寬約束;小波變換采用可變窗口對(duì)信號(hào)進(jìn)行分析,較好地解決了時(shí)間和頻率分辨率的矛盾,是目前最好的時(shí)頻分析方法之一。但小波方法也有其缺點(diǎn):一旦選擇了小波母函數(shù),則必須用它來(lái)分析全部信號(hào),因此,小波不具有自適應(yīng)性。此外有時(shí)小波變換的解釋也不直觀。黃鄂博士等提出的希爾伯特一黃變換(Hilbert-Huang Transform HHT)是一種新的非平穩(wěn)信號(hào)時(shí)頻分析方法,通過(guò) EMD(empirical mode decompositionEMD)方法得到一系列內(nèi)蘊(yùn)模態(tài)函數(shù)(intrinsicmodefunctionIMF)。IMF 的特點(diǎn)使得通過(guò)希爾伯特變換得到的瞬時(shí)頻率不僅有數(shù)學(xué)上的意義,也有了物理上的意義。另外,EMD 分解的基函數(shù)直接來(lái)自信號(hào)本身,信號(hào)分解具有局域性和自適應(yīng)性,特別適合于分析非平穩(wěn)信號(hào)。對(duì) IMF 進(jìn)行希爾伯特交換可以構(gòu)建信號(hào)的時(shí)間一頻率一振幅(能量) 分布,即希爾伯特(能量) 譜。希爾伯特譜無(wú)論在頻域還是時(shí)域上都有良好的分辨率,并且三維的分布能夠反映出信號(hào)的內(nèi)在本質(zhì)特性 7。人們希望通過(guò)自發(fā)腦電,解釋人的心理活動(dòng),用大腦中電壓變化測(cè)量心理活動(dòng),需要?jiǎng)×业?、非常的心理活?dòng)才能在自發(fā)腦電上觀測(cè)到一點(diǎn)點(diǎn)變化。但用自發(fā)腦電活動(dòng)來(lái)衡量人的心理活動(dòng)內(nèi)容,由于腦電太弱,此時(shí)就需要把這種內(nèi)容重復(fù)呈現(xiàn) 30-50 次,把每次測(cè)量到的電位疊加起來(lái),才能進(jìn)行觀察,這就是所說(shuō)的誘發(fā)電位技術(shù),通常叫做事件相關(guān)電位,簡(jiǎn)稱 ERP。ERP 學(xué)在認(rèn)知神經(jīng)科學(xué)中具有重要作用。這是因?yàn)樵谘芯烤吒鼜V泛重要性的問(wèn)題之前,你首先需要相當(dāng)程度地了解那些特異性 ERP 成分 10。一般情況下,進(jìn)行 ERP 研究時(shí),為得到可靠的 ERP 波形,對(duì)原始腦電數(shù)據(jù)的離線分析過(guò)程主要包括以下基本步驟 3:(1)合并行為數(shù)據(jù);(2)腦電預(yù)覽;(3)偽跡剔除或矯正,包括眼電(EOG) 、心電(EKG ) 、肌電(EMG)等;(4)數(shù)字濾波(根據(jù)具體情況和經(jīng)驗(yàn)進(jìn)行參數(shù)選擇) ;(5)腦電分段;(6)基線校正;(7)去除偽跡;(8)疊加平均;(9)數(shù)字濾波(根據(jù)需要選擇)和平滑化處理;(10)總平均;(11)波形識(shí)別、測(cè)量、統(tǒng)計(jì)分析、作圖。針對(duì) EEG 信號(hào)的模式識(shí)別國(guó)外學(xué)者已進(jìn)行了大量的實(shí)驗(yàn)與研究。對(duì)于BCI 技術(shù)來(lái)說(shuō),要使腦機(jī)接口技術(shù)有更大實(shí)用意義,必然要實(shí)現(xiàn)多類 EEG 信號(hào)模式識(shí)別,所以提高多類分類的精度是很有必要的。但由于實(shí)驗(yàn)方法各有差異,且各種多分類方法本身均存在不同程度的缺陷,并沒(méi)有一個(gè)公認(rèn)的效果很好的多分類方法。而支持向量機(jī)與其它傳統(tǒng)的模式識(shí)別方法相比,以其結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則而非經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則,在 EEG 的模式識(shí)別問(wèn)題中也已展現(xiàn)出較強(qiáng)的分類能力和泛化能力 4。支持向量機(jī) SVM 是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的一種新的機(jī)器學(xué)習(xí)方法,是結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的實(shí)現(xiàn)。算法實(shí)現(xiàn)需具有深厚的數(shù)學(xué)功底和計(jì)算機(jī)編程技術(shù),對(duì)非計(jì)算機(jī)專業(yè)的廣大研究人員來(lái)說(shuō),一種簡(jiǎn)單高效的實(shí)現(xiàn)環(huán)境和方法是迫切的需要。支持向量機(jī)算法在 MATLAB 環(huán)境下易于實(shí)現(xiàn)和靈活應(yīng)用的特點(diǎn),很好的提供這一技術(shù)平臺(tái) 8。對(duì)于樣本的識(shí)別,目前相關(guān)研究中采用最多的是 BP 神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法,但 BP 神經(jīng)網(wǎng)絡(luò)存在固有的收斂速度慢 ,容易陷入局部最小點(diǎn)的缺陷。支持向量機(jī)是由 Vapnik 最初在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上建立起來(lái)的一種非常有力的機(jī)器學(xué)習(xí)方法,是一種新穎的人工智能技術(shù),目前在信號(hào)處理、系統(tǒng)辨識(shí)與建模、先進(jìn)控制和軟測(cè)量等領(lǐng)域都得到了廣泛的應(yīng)用 9。支持向量機(jī)中的參數(shù)較多,對(duì)其的選擇極大程度上決定了分類器的復(fù)雜性、泛化能力及魯棒性,所以參數(shù)尋優(yōu)的意義尤為重大。許多尋優(yōu)算法都已應(yīng)用到了支持向量機(jī)參數(shù)優(yōu)化問(wèn)題當(dāng)中,比如網(wǎng)格點(diǎn)法、K 折交叉驗(yàn)證法、梯度算法、遺傳算法、粒子群算法、蟻群算法和模擬退火算法等 4。二、研究主要成果 本設(shè)計(jì)主要基于 MATLAB 分析平臺(tái),實(shí)現(xiàn)對(duì) EEG 信號(hào)的分析和處理,從而提取相關(guān)的信息,以供研究人員進(jìn)行科學(xué)研究,對(duì)臨床醫(yī)學(xué)和認(rèn)知科學(xué)領(lǐng)域具有重要的參考價(jià)值和科學(xué)意義。首先需完成 EEG 信號(hào) CNT 文件的讀取和顯示,對(duì)大容量數(shù)據(jù)進(jìn)行分段、壓縮或者改變采樣頻率以減小數(shù)據(jù)量,方便處理。同時(shí)進(jìn)行基線的調(diào)整,壞數(shù)據(jù)的剔除等工作。然后基于特定信號(hào)源編碼與 EEG 信號(hào)作相關(guān)分析,得出主成分信號(hào)。主成分分析是一種通過(guò)降維技術(shù)把多個(gè)變量化為少數(shù)幾個(gè)主成分(即綜合變量)的統(tǒng)計(jì)分析方法。這些主成份能夠反映原始變量的絕大部分信息,它們通常表示為原始變量的某種線性組合。再者嘗試不同信號(hào)變換,尋出關(guān)聯(lián)事件類型下的最大相關(guān)信號(hào)特征。主要有合并行為數(shù)據(jù)、腦電預(yù)覽、偽跡剔除或矯正、數(shù)字濾波、腦電分段、基線校正、去除偽跡、疊加平均、數(shù)字濾波和平滑化處理、總平均、波形識(shí)別等步驟。最后利用 SVM,PLS 等分析方法,對(duì)信號(hào)特征進(jìn)行關(guān)聯(lián)匹配,尋找最優(yōu)方法和參數(shù)。支持向量機(jī)就是首先通過(guò)用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個(gè)高維空間,在這個(gè)空間中求(廣義) 最優(yōu)分類面。SVM 分類函數(shù)形式上類似于一個(gè)神經(jīng)網(wǎng)絡(luò),輸出是中間節(jié)點(diǎn)的線性組合,每個(gè)中間節(jié)點(diǎn)對(duì)應(yīng)一個(gè)支持向量通過(guò)把原問(wèn)題轉(zhuǎn)化為對(duì)偶問(wèn)題,計(jì)算的復(fù)雜度不再取決于空間維數(shù),而是取決于樣本數(shù),尤其是樣本中的支持向量數(shù)。這些特點(diǎn)使有效地對(duì)付高維問(wèn)題成為可能。在最優(yōu)分類面中采用適當(dāng)?shù)膬?nèi)積函數(shù)就可以實(shí)現(xiàn)某一非線性變換后的線性分類,而計(jì)算復(fù)雜度卻沒(méi)有增加 5。三、發(fā)展趨勢(shì) 腦電信號(hào)中包含了大量的生理與疾病信息。在臨床醫(yī)學(xué)方面,腦電信號(hào)處理不僅可為某些腦疾病提供診斷依據(jù),而且還為某些腦疾病提供了有效的治療手段。在工程應(yīng)用方面,人們也嘗試?yán)媚X電信號(hào)實(shí)現(xiàn)腦-計(jì)算機(jī)接口(BCI),利用人對(duì)不同的感覺(jué)、運(yùn)動(dòng)或認(rèn)知活動(dòng)的腦電的不同,通過(guò)對(duì)腦電信號(hào)的有效的提取和分類達(dá)到某種控制目的。但由于腦電信號(hào)是不具備各態(tài)歷經(jīng)性的非平穩(wěn)隨機(jī)信號(hào),而且其背景噪聲也很強(qiáng),因此腦電信號(hào)的分析和處理一直是非常吸引人但又是具有相當(dāng)難度的研究課題 2。腦電信號(hào)是明顯的非平穩(wěn)性信號(hào),從 20 年代檢測(cè)到腦電信號(hào)以來(lái),雖然已作了大量的工作,但長(zhǎng)期以來(lái)還沒(méi)有突破性的進(jìn)展。隨著信號(hào)處理方法的不斷發(fā)展,更多更有效的分析方法在腦電信號(hào)分析中的應(yīng)用,人們對(duì)于腦電活動(dòng)機(jī)理將有進(jìn)一步的認(rèn)識(shí),也必將為臨床醫(yī)學(xué)和基礎(chǔ)醫(yī)學(xué)的發(fā)展作出新的貢獻(xiàn) 2。由于統(tǒng)計(jì)學(xué)習(xí)理論和支持向量機(jī)建立了一套較好的有限樣本下機(jī)器學(xué)習(xí)的理論框架和通用方法,既有嚴(yán)格的理論基礎(chǔ),又能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問(wèn)題,因此成為九十年代末發(fā)展最快的研究方向之一,其核心思想就是學(xué)習(xí)機(jī)器要與有限的訓(xùn)練樣本相適應(yīng)。統(tǒng)計(jì)學(xué)習(xí)理論雖然已經(jīng)提出多年,但從它自身趨向成熟和被廣泛重視到現(xiàn)在畢竟才只有幾年的時(shí)間,其中還有很多尚未解決或尚未充分解決的問(wèn)題,在應(yīng)用方面的研究更是剛剛開(kāi)始。這是一個(gè)十分值得大力研究的領(lǐng)域 5。四、存在問(wèn)題 EEGLAB 統(tǒng)計(jì)方法具有局限性:1、結(jié)果不易顯著。2、進(jìn)行多因素統(tǒng)計(jì)分析存在局限性(無(wú)法探討交互作用) 。為了研究學(xué)習(xí)過(guò)程一致收斂的速度和推廣性,統(tǒng)計(jì)學(xué)習(xí)理論定義了一系列有關(guān)函數(shù)集學(xué)習(xí)性能的指標(biāo),其中最重要的是 V C 維(Vapnik-Cherv onenkis Dimension)。模式識(shí)別方法中 V C 維的直觀定義是:對(duì)一個(gè)指示函數(shù)集,如果存在 h 個(gè)樣本能夠被函數(shù)集中的函數(shù)按所有可能的形式分開(kāi),則稱函數(shù)集能夠把 h 個(gè)樣本打散;函數(shù)集的 VC 維就是它能打散的最大樣本數(shù)目 h。若對(duì)任意數(shù)目的樣本都有函數(shù)能將它們打散,則函數(shù)集的 VC 維是無(wú)窮大,有界實(shí)函數(shù)的 VC 維可以通過(guò)用一定的閾值將它轉(zhuǎn)化成指示函數(shù)來(lái)定義。 VC 維反映了函數(shù)集的學(xué)習(xí)能力,VC 維越大則學(xué)習(xí)機(jī)器越復(fù)雜(容量越大 )。遺憾的是,目前尚沒(méi)有通用的關(guān)于任意函數(shù)集 VC 維計(jì)算的理論,只對(duì)一些特殊的函數(shù)集知道其 VC維。對(duì)于一些比較復(fù)雜的學(xué)習(xí)機(jī)器(如神經(jīng)網(wǎng)絡(luò)),其 VC 維除了與函數(shù)集(神經(jīng)網(wǎng)結(jié)構(gòu))有關(guān)外,還受學(xué)習(xí)算法等的影響,其確定更加困難。對(duì)于給定的學(xué)習(xí)函數(shù)集,如何(用理論或?qū)嶒?yàn)的方法)計(jì)算其 VC 維是當(dāng)前統(tǒng)計(jì)學(xué)習(xí)理論中有待研究的一個(gè)問(wèn)題 5。關(guān)于如何選擇支持向量機(jī)的多分類方法尚沒(méi)有一個(gè)系統(tǒng)的、有指導(dǎo)意義的簡(jiǎn)捷方法。方法原理各不相同,各有優(yōu)缺點(diǎn),在不同場(chǎng)合有不同表現(xiàn),具體問(wèn)題應(yīng)當(dāng)選用何種方法尚未有較好的選擇標(biāo)準(zhǔn),就其使用時(shí)的簡(jiǎn)便性來(lái)說(shuō),一對(duì)多法相對(duì)使用廣泛。在選擇最佳多分類方法時(shí)仍需對(duì)各種方法進(jìn)行試驗(yàn)挑選。所以在支持向量機(jī)應(yīng)用于 EEG 模式識(shí)別的問(wèn)題上仍有很大的研究空間,需要從 BCI 系統(tǒng)整體出發(fā),考慮到樣本的選擇方法,分類器的可靠性評(píng)判等方面建立多類模式識(shí)別的評(píng)判系統(tǒng) 4。雖然 SVM 方法在理論上具有很突出的優(yōu)勢(shì),但與其理論研究相比,應(yīng)用研究尚相對(duì)比較滯后,目前只有較有限的實(shí)驗(yàn)研究報(bào)道,且多屬仿真和對(duì)比實(shí)驗(yàn)。SVM 的應(yīng)用應(yīng)該是一個(gè)大有作為的方向。如何調(diào)整支持向量機(jī)分類器的參數(shù), 使得在限定一類錯(cuò)誤率的前提下使另一類的錯(cuò)誤率達(dá)到最小也是我們下一步的工作 11。誘發(fā)電位儀這種設(shè)備,它的優(yōu)點(diǎn)在于它能把微弱的信號(hào)通過(guò)疊加使之從無(wú)序的自發(fā)電位中突出出來(lái),從而人們能夠識(shí)別它。但是它的優(yōu)點(diǎn)同時(shí)也就是它的缺點(diǎn),須知,人的心理是一種活動(dòng)的過(guò)程,而活動(dòng)過(guò)程是不能靜止的,靜止了就不是心理活動(dòng)了,把一個(gè)靜止的狀態(tài)連續(xù)疊加 30-50 次,它從自發(fā)電位中確實(shí)突出出來(lái)了,但可惜的是,它不是我們所希望看到的那種連貫的心理活動(dòng)了。比如說(shuō),我們令一個(gè)被試觀看一張恐怖的圖片,被試產(chǎn)生了恐懼反應(yīng),這種恐懼信號(hào)太弱,不足以被識(shí)別出來(lái),為了是它從自發(fā)電位中突出出來(lái),就需要疊加,可是當(dāng)?shù)诙慰吹剿鼤r(shí),被試的恐懼感還是第一次那樣嗎?第三、第四更不是,最后會(huì)不會(huì)對(duì)連續(xù)觀察恐懼圖片產(chǎn)生厭惡感。而且,引起誘發(fā)電位的那種刺激呈現(xiàn)之后,一般是觀察 300 毫秒以內(nèi)的變化,研究者們觀察最多的是 P300,須知, 300 毫秒也就是不到一秒鐘的三分之一的時(shí)間,只相當(dāng)于選擇反應(yīng)時(shí)的時(shí)間長(zhǎng)度,如此短暫的時(shí)間,能夠允許復(fù)雜的心理活動(dòng)在人們的意識(shí)里明明白白地產(chǎn)生并保留一會(huì)兒?jiǎn)幔?00 毫秒里能完成的心理活動(dòng),只是復(fù)雜心理活動(dòng)鏈條中的一剎那的片段,不是通常一以上的心理活動(dòng),因此,用這種方法研究復(fù)雜的心理現(xiàn)象,猶如用照片來(lái)反映一個(gè)人對(duì)事物的態(tài)度一樣,只能是管中窺豹,只見(jiàn)一斑。腦電技術(shù)與心理學(xué)研究的結(jié)合還有很長(zhǎng)一段路要走。5、參考文獻(xiàn) 1 劉克球,呂以喬,以氏生物醫(yī)學(xué)電子學(xué)M北京大學(xué)出版社,1988.2 季忠,秦樹(shù)人,彭麗玲腦電信號(hào)的現(xiàn)代分析方法J重慶大學(xué)學(xué)報(bào),2002,25(9) :108-1123 趙侖ERPs 實(shí)驗(yàn)教程M南京:東南大學(xué)出版社,201074 李耀楠,張小棟,王云霞支持向量多分類機(jī)的多類復(fù)雜手操作 EEG 信號(hào)模式識(shí)別J機(jī)械與電子,2009,12(7) 5 張學(xué)工關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)J自動(dòng)化學(xué)報(bào), 2000,26(1) :32-426 楊仁桓,宋愛(ài)國(guó),徐寶國(guó)基于諧波小波包變換的腦電波基本節(jié)律分析J東南大學(xué)學(xué)報(bào),2008,38(6) :996-999 7 毛大偉分尺度復(fù)雜性及希爾伯特黃變換在腦電分析中的應(yīng)用浙江大學(xué),20058 董婷支持向量機(jī)分類算法在 MATLAB 環(huán)境下的實(shí)現(xiàn)J 榆林學(xué)院學(xué)報(bào),2008,18(4):94-969 周紅標(biāo)基于小波包變換和最小二乘支持向量機(jī)的癲癰腦電信號(hào)識(shí)別淮陰工學(xué)院電子與電氣工程學(xué)院,201110 STEVEN JLUCK事件相關(guān)電位基礎(chǔ)M上海:華東師范大學(xué)出版社,200911 李鋼,王蔚,張勝支持向量機(jī)在腦電信號(hào)分類中的應(yīng)用J計(jì)算機(jī)應(yīng)用,2006,26(6): 1431-143612 賈花萍基于 PNN 神經(jīng)網(wǎng)絡(luò)的 EEG 信號(hào)分類方法研究J 河南科學(xué),2011,29(7):846-849
收藏
編號(hào):559195
類型:共享資源
大?。?span id="xrntpbt" class="font-tahoma">61.57MB
格式:ZIP
上傳時(shí)間:2019-05-26
30
積分
- 關(guān) 鍵 詞:
-
eeg
信號(hào)
matlab
分析
平臺(tái)
設(shè)計(jì)
模式識(shí)別
部分
部份
畢業(yè)論文
開(kāi)題
報(bào)告
講演
呈文
文獻(xiàn)
綜述
- 資源描述:
-
EEG信號(hào)MATLAB分析平臺(tái)設(shè)計(jì)-模式識(shí)別部分【含畢業(yè)論文、開(kāi)題報(bào)告、文獻(xiàn)綜述】,eeg,信號(hào),matlab,分析,平臺(tái),設(shè)計(jì),模式識(shí)別,部分,部份,畢業(yè)論文,開(kāi)題,報(bào)告,講演,呈文,文獻(xiàn),綜述
展開(kāi)閱讀全文
- 溫馨提示:
1: 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
2: 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
3.本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
5. 裝配圖網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
裝配圖網(wǎng)所有資源均是用戶自行上傳分享,僅供網(wǎng)友學(xué)習(xí)交流,未經(jīng)上傳用戶書面授權(quán),請(qǐng)勿作他用。