一、利用零相位数字滤波器检测EEG睡眠纺锤波(论文文献综述)
宋晓宇[1](2021)在《体感诱发电位脑电高频振荡采集系统》文中指出脑电信号是数以千计的神经元细胞在相同空间取向上同步发生的放电活动,传统脑电信号采集频段主要集中在0.5~30Hz,对高于100Hz的高频段脑电信号的采集研究较少,不同高频频段脑电信号的生理意义也有待进一步研究。本论文结合躯体感觉诱发实验,设计制作了一套能够采集体感诱发电位低频和高频段脑电信号的高采样率脑电信号采集系统。本系统分为脑电放大器和脉冲式电刺激两部分。其中脑电放大器部分包括模拟电路、数字电路以及电脑端采集软件,而模拟电路包括信号的放大滤波、数字化以及电气隔离电路,具有高输入阻抗、低噪声、高采样率、电气隔离安全的特点,数字电路采用FPGA芯片控制数据转化以及数据实时USB传输,电脑端采集软件利用Qt编写,实现数据实时接收保存和绘图显示。整个脑电放大器共有8个信号通道,采样率20KHz,理论设计带宽1.592~1592Hz,模数转换器分辨率24位,信号参考地短接噪声峰峰值<3.5μV,系统共模抑制比可达到109dB以上(50Hz)。体感诱发脉冲式电刺激部分主要包括模拟Howland电流源部分和数字控制部分,刺激模式为脉冲式电刺激,高电平持续时间200μs,刺激频率可调1~30Hz,刺激强度可调0.5~20mA。为验证整个系统的可行稳定性,本文对系统脑电放大器硬件的增益带宽、噪声、共模抑制比等性能进行了测试。最后基于躯体感觉诱发电位实验,在同等条件下分别利用自制设备和商用设备采集了 10个被试的体感诱发N20、HFOs信号,分别从时域和频域观察分析验证了信号的真实性,同时对N20、HFOs的相关参数进行了统计对比分析,最终验证了本文所述系统的可行性,可应用于后续实验科研研究。
张佳荣[2](2021)在《基于极端梯度提升算法的睡眠分期研究》文中认为睡眠相关疾病严重影响着人们的健康,多导睡眠监护是目前诊断睡眠疾病的主要手段。现有多导睡眠监护系统的自动诊断准确率较低,诊断过程仍主要依赖专家人工操作,耗时耗力。因此,研发适合临床应用的高准确度的多导睡眠智能分析算法具有重要意义。本文基于脑电、肌电与眼电信号,实现了睡眠监测系统分期算法,主要研究内容如下:1.分析了脑电、肌电和眼电三种生理信号与睡眠阶段的关系,分别提取了相关性较强的时域、频域和非线性等45个特征作为候选集;通过最大信息系数过滤法、嵌入法和封装法进行选择,获得了20个最优特征作为分类器的输入。2.研究了基于支持向量机和极端梯度提升的睡眠分期算法,采用权重搜索的方法优化了样本不均衡问题,采用了准确率更高的极端梯度提升算法构建模型;通过参数调整优化了模型的泛化误差;结合睡眠周期的生理特性,对分类器分期结果进行修正,获得了睡眠自动分期结果。3.基于VS2008 MFC框架,采用C++完成了睡眠监测系统分析软件的自动分期算法。4.采用美国国家睡眠研究资源库的前200组数据无选择地组成120组训练集和80组测试集,应用准确率、精确率、召回率和F1分数对算法进行评估。测试结果如下:平均准确率为83.24%,觉醒期与浅睡2期的精确率与召回率为80%以上;深睡期和快速眼动期的精确率与召回率均为70%以上;与未优化前相比,浅睡1期的F1分数提高了10%。并进行了临床试验与分期结果分析,初步验证了算法可应用于睡眠临床分析。本文实现了基于极端梯度提升树的睡眠自动分期算法及分析软件。经过数据库与临床试验验证了算法的性能,证明其具有准确率高、运行速度快等优点。研究成果已通过中国航天员中心的初步评审,有望应用于载人航天型号任务,并有望应用于临床睡眠障碍诊断系统,具有较好的实用价值。
张萍萍[3](2019)在《64导联脑电信号分析系统的设计与研究》文中认为大脑是个体至关重要的部分,是人类神经中枢系统的核心。随着社会的进步,对于脑科学的研究在不断的推进,脑电分析软件也在不断的更新。脑电信号能够记录大脑神经元活动,包含了大量的生理信息,对电脑的研究为人类在认知科学、神经科学、心理生理学甚至医学领域的研究都起到了重要的推动作用。2016年,脑科学的研究被正式的列入我国“十三五规划”当中,对于脑电信号的研究也被越来越多的科学家所重视,也取得了一些令人瞩目的成果。在进一步的了解大脑、开发大脑,利用大脑的过程中,对脑电数据的确切分析则甚为重要,但目前的脑电分析软件在数据分析方面还缺乏一定的完备性,需要更多的改进。本文针对目前脑电分析系统中存在的一些问题,以Matlab平台为基础完成了64导联脑电信号分析系统的开发,取得了不错的效果,并且大大降低了软件开发成本。首先,以本实验室采集到的64导联的原始脑电信号为基础,结合目前所有的优秀脑电分析处理算法及相关技术,对系统功能需求以及可行性进行了分析,主要从系统的运行速度、模块功能、个性化界面等方面进行了分析。其次,对系统进行了总体设计,建设了系统总体功能框架。再对各模块功能进行了详细设计,功能模块主要分为文件模块,预处理模块,数据处理模块,统计模块和帮助模块。文件模块将采集到的64导联数据导入该系统,考虑到不同采集设备采集到的脑电数据格式有所不同,改进系统,实现了对多种脑电信号导入和显示,同时也负责对显示区域的调整、工作区的清理以及对系统的关闭等操作。预处理模块首先通过剔除或修复的方式处理坏导数据,然后采用平均参考或单独参考方式寻找参考电极进行参考转换,再经过滤波器滤除噪声,最后使用独立成分分析的方法将眼电、肌电等伪迹去除,得到纯净的脑电信号,为后续分析处理结果的准确性提供了保障。数据处理模块则是对预处理后得到的干净脑电数据进行时频域以及空间上的分析,主要方法包括功率谱分析、小波分析、主成分分析以及独立成分分析。统计模块则是负责对大量脑电数据进行批处理以及解决某些数据的二分类问题,节省了对脑电数据处理的单独依次操作所要耗费的时间精力,为用户进行数据观察和分析提供了方便;最后的帮助模块则是提供了本系统的使用手册,并对用户在使用本系统的过程中可能遇见的问题提供了良好的解决方法。最后,基于Matlab平台进行系统实现,并且结合C语言进行编程,模块化各部分功能,每个模块都是一个M文件,每个菜单以及控件都有自己的M文件,每个菜单和控件中包含许多M函数,控件以及菜单对应的函数放在对应的M函数内,最后由一个主文件将所有功能模块文件打包到一起,生成最终系统。
邱涛[4](2018)在《睡眠纺锤波自动检测的优化与应用》文中研究说明睡眠纺锤波是在特定频段11-16Hz,特定睡眠阶段(无快速眼动睡眠阶段)可以显着观察到的振荡波形。传统上,睡眠纺锤波的检测依赖于医疗专家的主观视觉检测,但这种视觉检测非常费时,并且在受试者自身和个体间存在较大变化时缺乏足够的鲁棒性。随着对睡眠纺锤波检测需求的增加,以及睡眠相关数字记录数据库资源的增多,对自动化睡眠纺锤波检测器的需要也在变得迫切。与专家视觉检测相比,自动化的睡眠纺锤波检测器速度更快,可重复性更高,也更系统化。但是,自动化睡眠纺锤波检测算法也具有一些不足,显示出对纺锤波特征变化的弱鲁棒性以及对专家打分的黄金标准的较差跟随。论文的主要工作是通过在统一数据库上使用8种测试指标,进行实验检测了九种当前主流的自动化纺锤波检测算法,分析了其性能以及可能的原因。结果显示出自动化检测算法对不同的受试者具有较大的性能波动,并且有些算法对个别的测试指标也表现出较大的脆弱性。由于自动化检测算法主要在信号分解和纺锤波判别步骤上的不同而区分彼此,因此,预处理步骤能否消除算法间的性能差别就具有了研究必要。论文使用双基追踪去噪预处理原始EEG信号,试图检测能否由此降低算法在不同受试者和不同测试指标上的性能波动性,改善个别算法对个别指标追随的短板。除了进行了预处理步骤的检测工作,论文通过将多目标进化算法与双基追踪去噪方法结合,找寻自动化睡眠纺锤波检测算法的最优解集。DREAMS数据库中的8名受试者记录数据被应用来进行测试,测试结果通过8项指标与两名专家给出的黄金标准进行分析。论文通过基于双基追踪去噪预处理原始脑电信号,和多目标进化算法寻求最优解集,该方法易于导入到睡眠记录仪和健康监测仪器中,工程上易于实现,具有一定的实用价值。
张新[5](2010)在《脑电信号分析在认知功能中的研究》文中提出脑电包含了大量的生理和病理信息,可以直接在人体上进行测量,适合于临床应用,能够为某些脑疾病提供诊断依据,甚至成为某些脑疾病有效的治疗手段。近年来,对认知功能的研究越来越受到人们的重视,有效的分析、评价认知功能,对认知障碍疾病的检测和治疗有着重大意义。本论文在脑电信号放大器的硬件基础上,使用Visual C++6.0编写相应的脑电信号采集软件,构成认知脑电检测与分析平台的信号采集模块,以波形方式实时显示采集到的脑电信号,用独立文件的形式保存数据,方便后续的分析处理。并针对认知功能的研究,设计反映不同状态下大脑功能的认知实验,采集了安静闭眼、安静睁眼、计算力测试、定向力测试和视空间测试状态下的脑电信号。利用软件滤波技术对采集到的脑电信号进行分析处理,采用了零相位数字滤波、独立分量分析以及小波变换等方法对采集到的脑电信号进行预处理,去除噪声和干扰,并且对信号进行了功率谱分析,为认知脑电的分析提供参考。对于反映高级信息处理过程中集中唤醒的水平的阵发性40Hz EEG,采用一致性检测方法进行提取,为选取脑电数据段,以及认知状态分析提供依据。强烈的非线性是神经系统的突出特点,脑电信号是混沌信号,具有广泛的非线性动力学特征,脑电非线性分析能提供大脑认知功能活动变化轨迹的情况。本文通过非线性动力学方法对脑电进行分析,快速有效地提取脑电信号中的分数维值和近似熵特征参数,用于对认知功能的描述,探索它们与认知功能的关系,进而作为判断认知功能的评价指标。本论文对实验采集到的不同状态下的脑电信号进行相关维数和近似熵的计算,实验数据表明,相关维数和近似熵的值在安静闭眼状态下小于定向力测试和计算力测试思维状态,在安静睁眼时小于视空间测试状态下的值,即思维状态下的值均高于安静状态下的值。对不同思维过程中动力学参数变化的分析,有助于获取认知状态的指导性参数,对相关研究和临床应用具有较大的参考价值。
许佳[6](2008)在《认知脑电信号检测分析软件的研究》文中研究表明大脑是人体最重要,也是最复杂的生理器官,它是人类思维活动的物质基础,是神经活动的中心。脑电是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息,在临床医学方面,脑电信号处理不仅可为某些脑疾病提供诊断依据,而且还为某些脑疾病提供了有效的治疗手段。近年来,认知科学受到了广泛的重视,如何有效的分析、表征认知功能,对于认知疾病的检测、治疗有着重大意义。目前评价认知功能常用的是神经心理测试,常规EEG等方法,它们在评价痴呆患者的认知功能上有一定局限。在研究现有的脑电分析方法、认知特征信号提取分析方法的基础上,本研究选用了功率谱分析、小波变换、一致性检测等多种时域、频域、时频检测分析方法,对脑电认知特征信息进行提取分析。同时,脑电信号是混沌信号,它具有广泛的非线性动力学特征,这一观点已经得到学术界的证实与认同,因此可以应用非线性动力学方法来分析脑电信号,快速有效地提取脑电信号的非线性动力学特征参数。目前许多研究都通过探索这些参数与认知功能的关系,本课题也研究了采用非线性动力学方法来对脑电进行分析。本文研制的集成多种时域、频域、时频检测分析、非线性动力学分析方法的脑电信号分析软件系统,主要用于对认知功能进行描述,为研究者提供更准确和充分的研究依据。为方便使用者,本系统同时提供多种认知信号的表征参数,并提供了对多次检测结果的存储、打印、统计等功能。
张祥春[7](2006)在《面向旋转机械的虚拟式阶比分析仪的研究》文中指出阶比分析技术是旋转机械振动信号分析和故障诊断的重要技术之一。旋转机械的振动信号在本质上可分为平稳振动信号和非平稳振动信号两大类,这两类信号都包含有能反映旋转机械工作状态的重要特征信息,有效地利用这些信息对设备的监测和诊断有重要价值。基于FFT的传统频谱分析法基本上能满足对平稳振动信号的特征提取和分析,但不能对旋转机械的升、降速阶段中非平稳振动信号进行有效分析,而阶比分析技术的出现能很好地解决了这一问题。本课题主要围绕这一全新的旋转机械振动信号分析技术而展开。介绍了目前国内外研究的阶比跟踪技术,研究并实现了基于二次曲线拟合的计算阶比跟踪技术。阶比跟踪技术一直是阶比分析的研究重点,本文在比较国内外各种阶比跟踪方法优缺点的基础上,结合本课题实际和虚拟仪器技术的特点,采用二次曲线拟合计算阶比重采样时刻,通过插值滤波器实现阶比重采样,进而得到角域信号,实现阶比跟踪。研究并实现了基于计算阶比跟踪的零相位抗阶比混叠跟踪滤波技术。抗阶比混叠跟踪滤波一般是指在阶比重采样之前用数字滤波器组对初始采集信号进行数字抗阶混滤波。本文在深入研究当前计算阶比跟踪中的抗阶比混叠跟踪滤波技术的基础上,提出了在计算阶比跟踪中采用零相位数字滤波器组实现抗阶比混叠跟踪滤波的新途径。研究并实现了基于一阶数字微分和三次样条曲线分段最小二乘拟合的转速计算与平滑方法。基于一阶数字微分的转速计算由于不需要对转速脉冲序列一步一步进行多项式曲线拟合,大大减少了计算量和计算复杂度。而采用三次样条曲线分段最小二乘拟合则可很好地平滑转速计算中的误差或缺陷。研究并实现了阶比分析中的阶比谱分析技术和STFT时频谱分析技术。阶比分析中的谱分析主要包括两种形式:二维谱分析和三维谱分析(又叫谱图分析)。二维谱分析主要是指阶比谱分析,而三维谱分析则包括了时频谱分析、转速阶比谱分析等。通过谱分析我们不仅能从整体上把握信号所具有的特征信息,而且还能从时间、频率、转速、阶比、幅值或功率等方面详细地了解各阶比分量信号信息。研究并实现了基于Gabor时频滤波的阶比分量提取技术。基于Gabor的阶比跟踪滤波对阶比分量进行时域波形近似重构的过程,实质上是在时频面上对信号进行时频滤波,该技术是一种新兴的“时变滤波”技术。本文对Gabor变换及Gabor展开的相关理论进行了深入研究,并就Gabor阶比跟踪滤波的关键技术如滤波带宽的确定、遮掩算法作了进一步探讨。
马飞[8](2006)在《基于DSP的数字化脑电图仪的研究和实现》文中提出脑电图是研究人脑功能活动的重要手段,在医学诊断上有较高价值。然而脑电信号十分微弱(微伏级),并受到各种噪声的干扰,给信号的提取带来困难。传统的脑电采集系统使用模拟滤波方法去除脑电信号中的噪声,但其不够灵活、调试复杂,难以达到很好的效果,为得到理想的脑电波形,通常还需在PC机中进行软件滤波,但这样做,系统的实时性和通用性较差。 为解决上述问题,本课题尝试在脑电采集系统中嵌入数字处理模块,以实现对脑电信号的数字滤波。设计采用主从式结构,单片机作为主控芯片完成系统的控制任务,DSP作为从处理器实现数字滤波算法。整个系统包括前置放大器、滤波放大电路、多路选择与A/D转换电路、单片机、DSP以及USB模块。 DSP模块的软硬件设计是本文工作的重点。硬件方面,选用TMS320VC5416芯片,完成其外围电路的设计,利用C54X系列DSP特有的HPI接口实现DSP与单片机之间的高速数据传输,并为系统扩展了FLASH使其能够以自启动方式运行。算法方面,首先采用自适应模板法来快速滤除对脑电信号干扰较大的工频信号和基线漂移,然后再使用FIR滤波以得到系统所需的多种频带,针对脑电滤波的实时性和线性相位的要求,对算法进行大胆改进,采用了零相位滤波和减抽样等技术。 系统软件开发在CCS的平台下完成,通过与传统方法实验比较,该系统可实现对脑电信号的实时线性滤波,能得到高质量的脑电信号,并且更加灵活可靠。
季忠[9](2003)在《脑电信号特征信息提取的时频分析方法及虚拟式脑电图仪的研制》文中进行了进一步梳理脑电图仪是临床上检查脑疾病的重要辅助工具,能否有效提取脑电信号中的各种特征信息是判断脑电图仪性能好坏的重要标志。本文在了解和分析国内外目前在脑电信号处理、脑电图仪发展现状的基础上,利用近年来信号处理领域的重大成就,以及计算机软硬件技术和微电子技术,并结合最近几年获得飞速发展的虚拟仪器技术,建立了虚拟式的脑电测量和分析仪器系统。这是虚拟仪器技术向生物医学领域渗透的必然结果,也必将会对我国的生物医疗电子和生物医学仪器领域产生重大影响。 脑电信号作为一种复杂的非平稳信号,仅仅利用传统的时域和频域分析方法很难充分提取脑电信号中的特征信息。本文在综述各种时频分析理论的优点和局限性的基础上,深入讨论了Gabor变换、小波和小波包变换、Wigner分布和Choi- Williams分布、匹配跟踪(MP)、独立分量分析(ICA)、基于小波包分解和短时傅立叶变换的多分辨率时频分析(MRTFA)和人工神经网络(ANN)在脑电信号特征信息提取中的应用。由于脑电信号中特征波形的多样性和复杂性,仅依靠某一种时频分析方法是无法有效提取脑电信号中的所有特征信息的,因此必须考虑综合利用各种时频分析方法。在作者研制的虚拟式脑电测量与分析仪中,集成了上述时频分析方法。引入了脑电基本节律频带相对强度比(BRIR)的概念,利用Gabor变换实现了BRIR的自动检测,帮助医生正确判断脑电节律的抑制情况;综合利用独立分量分析、多分辨率小波变换、自适应滤波处理、连续小波变换、人工神经网络和专家知识规则来提取癫痫脑电中棘波、尖波和慢波;根据脑电信号中波形特征的不同,可以自适应地选择适当的时频分析方法,如基于不同小波基的小波变换和Wigner分布等,以最大化显现脑电信号中的特征信息。同时考虑脑电图仪的发展特点和临床诊断要求,在本文的研究过程中,集成了脑电地形图检测和睡眠分阶自动分析的功能。其中脑电地形图利用Gabor变换和球面插值方法来实现;在建立基于小波包变换和短时傅立叶变换的多分辨率时频分析以及睡眠分阶规则的基础上,实现睡眠分阶自动分析功能。 本文还讨论了零相位失真数字滤波器在脑电信号处理中的应用情况。在仪器的实现过程中,用它来对采集到的脑电数据做无失真的预处理以及各个脑电节律频带的无失真信息提取。 在本文建立的虚拟式脑电测量和分析仪器系统中,不仅集成了上述强大的脑电信号特征信息提取功能,而且充分考虑临床应用中医生观察脑电波形的方便性,设置了多个显示控制参数,以达到多样的灵活显示方式。此外,由于本仪器系统<WP=5>是建立在虚拟仪器技术基础上的,因此具有虚拟仪器的固有特点,可以方便地进行脑电数据的采样、保存、回放、显示和打印等;引入了数据库管理技术,从而可以有效地对脑电数据和病人信息进行管理和方便地查询。根据虚拟仪器技术发展趋势和生物医学仪器特点,提出了拼搭式的虚拟式生物医学仪器系统的构建和虚拟式生物医学仪器系统的应用趋势。 本文所研制的虚拟式脑电测量和分析仪器系统,集成了多种时频检测和分析方法,通过这些方法的综合应用,可以充分提取脑电信号中的特征信息,以为医生提供更准确和充分的诊断依据。这在作者所见文献描述的同类仪器中尚未见报道,因此本文对于各种先进的时频分析方法在脑电测量和分析中的实际和深入应用做了有益地和有效地探索。
季忠,纪跃波,秦树人[10](2002)在《利用零相位数字滤波器检测EEG睡眠纺锤波》文中指出脑电信号是极其复杂的非平稳信号。能否有效地辨识出EEG中所包含的各种成分或者得到判断某种病理特征所需要的成分 ,对于发挥EEG的最大作用具有重要的临床意义。系统的相移可以改变输入信号中各分量之间的相对相位关系 ,因此即使系统的增益对所有频率都为常数的情况下 ,也有可能在输入的时域特性上产生很大的变化。讨论了FRR与RRF数字滤波方法及其实现。利用该方法可以使系统具有零相位特性 ,实现脑电信号的零相位失真滤波。根据睡眠纺锤波的定义 ,利用零相位数字滤波器 ,直接在时域中检测睡眠纺锤波 ,得到了较好的检测结果。
二、利用零相位数字滤波器检测EEG睡眠纺锤波(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用零相位数字滤波器检测EEG睡眠纺锤波(论文提纲范文)
(1)体感诱发电位脑电高频振荡采集系统(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 体感诱发高频振荡信号研究历史及现状 |
1.3 脑电放大器研究历史及现状 |
1.4 本文的主要贡献与创新 |
1.5 本论文的结构安排 |
第二章 体感诱发电位脑电高频振荡采集系统概述 |
2.1 脑电产生机制及其分类 |
2.2 脑电放大器相关知识 |
2.2.1 脑电放大器电极和导联 |
2.2.2 脑电放大器性能指标 |
2.3 体感诱发电位 |
2.3.1 低频段体感诱发电位 |
2.3.2 高频段体感诱发电位 |
2.4 体感诱发电位脑电高频振荡采集系统总体设计方案 |
2.5 本章小结 |
第三章 体感诱发电位脑电高频振荡采集系统硬件设计 |
3.1 脑电放大器电路设计 |
3.1.1 顶层连接电路 |
3.1.2 模拟前端电路 |
3.1.2.1 信号放大滤波电路 |
3.1.2.2 模数转换电路 |
3.1.2.3 数字隔离电路 |
3.1.3 FPGA处理器电路 |
3.1.4 USB接口电路 |
3.1.5 标志信号电路 |
3.1.6 电源电路 |
3.2 电刺激设备电路设计 |
3.2.1 顶层连接电路 |
3.2.2 Howland电流源电路 |
3.2.3 STM32 处理器电路 |
3.2.4 电源电路 |
3.3 本章小结 |
第四章 体感诱发电位脑电高频振荡采集系统软件设计 |
4.1 脑电放大器软件设计 |
4.1.1 FPGA处理器程序 |
4.1.1.1 ADC数据采集程序 |
4.1.1.2 FIFO数据发送程序 |
4.1.2 USB芯片程序 |
4.1.3 电脑端软件程序 |
4.2 电刺激设备软件设计 |
4.3 本章小结 |
第五章 设备性能与实验验证 |
5.1 设备性能验证 |
5.1.1 增益带宽测试 |
5.1.2 噪声测试 |
5.1.3 共模抑制比测试 |
5.1.4 其他性能测试 |
5.2 体感诱发电位脑电高频振荡采集实验 |
5.2.1 实验设计 |
5.2.2 数据处理方法 |
5.2.3 数据结果分析 |
5.3 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
附录 |
(2)基于极端梯度提升算法的睡眠分期研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 睡眠分期研究的背景 |
1.2 睡眠分期研究的国内外现状 |
1.2.1 睡眠监测仪的发展与研究现状 |
1.2.2 睡眠自动分期算法的发展与研究现状 |
1.3 论文的研究内容与章节安排 |
1.4 本章小结 |
第2章 睡眠分期的生理特性 |
2.1 睡眠分期的AASM标准 |
2.2 睡眠电生理信号特点 |
2.2.1 脑电在睡眠各时相的特点 |
2.2.2 肌电在睡眠各时相的特点 |
2.2.3 眼电在睡眠各时相的特点 |
2.2.4 多导生理信号在睡眠各时相的特点 |
2.3 本章小结 |
第3章 信号预处理与特征提取 |
3.1 实验数据来源 |
3.2 生理信号预处理 |
3.2.1 零相位滤波器 |
3.2.2 去除基线漂移 |
3.2.3 去除伪迹 |
3.3 特征提取 |
3.3.1 时域特征 |
3.3.2 频域特征 |
3.3.3 非线性特征 |
3.3.4 候选特征集 |
3.4 特征预处理 |
3.4.1 空值处理 |
3.4.2 特征标准化 |
3.5 特征选择 |
3.5.1 过滤法 |
3.5.2 嵌入法 |
3.5.3 封装法 |
3.5.4 特征降维 |
3.6 本章小结 |
第4章 睡眠自动分期算法研究 |
4.1 机器学习算法 |
4.1.1 分类器分析与比较 |
4.1.2 分层抽样K折交叉验证 |
4.1.3 评估指标 |
4.2 睡眠分期算法优化 |
4.2.1 样本不均衡 |
4.2.2 泛化误差 |
4.2.3 睡眠分期结果修正 |
4.3 本章小结 |
第5章 平台搭建与实验验证 |
5.1 睡眠监测系统分期算法 |
5.2 数据库验证 |
5.3 临床试验 |
5.3.1 试验方案 |
5.3.2 分期算法临床试验 |
5.3.3 睡眠分期结果分析 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
(3)64导联脑电信号分析系统的设计与研究(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 论文结构 |
1.5 本章小结 |
第二章 系统分析与总体设计 |
2.1 理论基础 |
2.1.1 脑电分析系统简述 |
2.1.2 脑电分析系统应用 |
2.2 需求分析 |
2.2.1 可行性分析 |
2.2.2 功能需求 |
2.2.3 开发环境与用户 |
2.3 系统总体设计 |
2.3.1 文件模块 |
2.3.2 预处理模块 |
2.3.3 数据分析模块 |
2.3.4 批处理模块 |
2.3.5 统计分析模块 |
2.3.6 帮助模块 |
2.4 本章小结 |
第三章 系统详细设计 |
3.1 预处理模块 |
3.1.1 坏导修复 |
3.1.2 数据参考转换 |
3.1.3 滤波 |
3.1.4 伪迹去除 |
3.2 脑电数据分析模块 |
3.2.1 功率谱分析 |
3.2.2 小波分析 |
3.2.3 主成分分析 |
3.2.4 独立成分分析 |
3.3 其他模块 |
3.4 本章小结 |
第四章 系统实现 |
4.1 系统配置 |
4.2 系统功能实现 |
4.2.1 文件模块实现 |
4.2.2 预处理模块实现 |
4.2.3 数据分析模块实现 |
4.2.4 统计模块实现 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
(4)睡眠纺锤波自动检测的优化与应用(论文提纲范文)
摘要 |
abstract |
专用术语注释表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.1.1 睡眠纺锤波的判据 |
1.1.2 睡眠阶段的划分 |
1.1.3 自动检测算法的黄金标准 |
1.2 国内外研究现状 |
1.3 本文研究内容 |
1.4 本文结构 |
第二章 常规自动检测算法的分析 |
2.1 数据和来源 |
2.2 常规纺锤波检测算法 |
2.2.1 Bódizs个体调节算法 |
2.2.2 Ferrarelli振幅阈值算法 |
2.2.3 M?lle慢波均方根方法 |
2.2.4 Martin小窗口均方根方法 |
2.2.5 Wamsley小波方法 |
2.2.6 Wendt时变阈值方法 |
2.2.7 Tsanas概率估计小波方法 |
2.3 黄金标准的评价指标 |
2.4 结果讨论 |
2.5 本章小结 |
第三章 考虑成分分离预处理的纺锤波检测 |
3.1 基于成分分离的预处理方法 |
3.2 性能与评价指标 |
3.2.1 评价指标 |
3.2.2 性能比较与讨论 |
3.3 本章小结 |
第四章 纺锤波自动检测算法的最优参数 |
4.1 目标函数的设定 |
4.2 多目标进化算法 |
4.3 结果 |
4.4 本章小结 |
第五章 总结与展望 |
参考文献 |
附录 |
致谢 |
(5)脑电信号分析在认知功能中的研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
1 绪论 |
1.1 前言 |
1.2 脑电与认知功能研究 |
1.3 课题研究内容与意义 |
1.4 本文的结构安排 |
2 脑电信号的理论知识 |
2.1 脑电信号的产生 |
2.2 脑电信号的特点 |
2.3 脑电信号的分类 |
2.3.1 自发脑电 |
2.3.2 诱发脑电 |
3 认知脑电信号采集 |
3.1 脑电信号检测 |
3.2 信号采集模块软件设计 |
3.3 认知实验设计 |
3.4 本章小结 |
4 脑电信号分析处理 |
4.1 脑电信号预处理 |
4.1.1 零相位数字滤波 |
4.1.2 独立分量分析 |
4.2 认知脑电信号提取 |
4.3 脑电信号功率谱分析 |
4.4 脑电信号小波变换 |
4.4.1 多分辨率小波分析 |
4.4.2 脑电信号小波分解 |
4.5 本章小结 |
5 脑电信号的非线性动力学方法 |
5.1 非线性动力学理论 |
5.1.1 非线性系统与非线性动力学 |
5.1.2 非线性动力学在脑电信号处理中的应用 |
5.2 脑电信号的非线性动力学分析 |
5.2.1 相空间重构 |
5.2.2 分数维值 |
5.2.3 近似熵 |
5.3 本章小结 |
6 实验结果及分析讨论 |
6.1 不同状态下参数比较 |
6.2 统计结果分析 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
致谢 |
参考文献 |
附录 |
A. 作者在攻读学位期间发表的论文目录 |
(6)认知脑电信号检测分析软件的研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 前言 |
1.1.1 脑电信号概述 |
1.1.2 脑电分析与脑疾病 |
1.1.3 脑电信号与认知活动 |
1.2 脑电分析方法 |
1.3 课题研究内容及意义 |
1.4 本课题主要工作 |
2 认知脑电信号提取 |
2.1 脑电信号预处理 |
2.1.1 数字滤波器的选择 |
2.1.2 零相位滤波的设计 |
2.1.3 独立分量分析 |
2.1.4 时空滤波器 |
2.2 阵发性40Hz 脑电信号检测 |
2.2.1 阵发性40Hz 脑电信号 |
2.2.2 阵发脑电信号提取 |
3 脑电信号功率谱分析 |
3.1 经典功率谱估计 |
3.2 现代功率谱估计 |
3.3 AR 模型法功率谱估计 |
3.4 功率谱数量化分析 |
4 脑电信号小波分析技术 |
4.1 小波变换概述 |
4.2 小波变换数学表达 |
4.3 多分辨率小波分析 |
4.4 脑电信号小波分解 |
5 非线性动力学理论 |
5.1 非线性动力学系统 |
5.2 非线性动力学在生物医学工程中的应用 |
5.2.1 非线性动力学分析方法应用于脑电图的基础 |
5.2.2 脑电非线性分析在现代医学研究中的应用 |
5.3 非线性动力学系统特征量 |
5.3.1 混沌吸引子的重构 |
5.3.2 分维数 |
5.3.3 Lyapunov 指数 |
5.3.4 熵 |
6 脑电信号非线性动力学分析 |
6.1 脑电信号的混沌特性 |
6.2 相空间重构 |
6.2.1 单导重构参数的选择 |
6.2.2 多导相空间重构 |
6.3 相关维数的计算 |
6.4 Lyapunov 指数计算 |
6.5 近似熵计算 |
7 系统实现 |
7.1 系统总体设计 |
7.2 技术路线 |
7.3 系统实现 |
7.3.1 脑电信号的时域与频域分析测试 |
7.3.2 认知脑电信号提取分析功能的测试 |
7.3.3 脑电信号非线性动力学分析功能测试 |
7.3.4 脑电统计功能的测试 |
8 结论与展望 |
致谢 |
参考文献 |
附录 |
(7)面向旋转机械的虚拟式阶比分析仪的研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 课题来源 |
1.2 阶比分析概述 |
1.2.1 阶比的定义 |
1.2.2 阶比分析的产生背景 |
1.2.3 阶比分析关键技术综述 |
1.3 面向旋转机械的阶比分析仪的现状 |
1.4 课题研究的意义 |
1.5 课题研究的目的 |
1.6 本文主要研究内容和创新之处 |
2 阶比跟踪及抗阶比混叠跟踪滤波技术的研究 |
2.1 阶比跟踪技术综述 |
2.1.1 硬件式阶比跟踪 |
2.1.2 计算阶比跟踪 |
2.2 基于二次曲线拟合的计算阶比跟踪 |
2.2.1 转速脉冲到达时刻的计算 |
2.2.2 二次曲线拟合计算阶比重采样时刻 |
2.2.3 阶比重采样 |
2.3 抗阶比混叠跟踪滤波 |
2.3.1 阶比分析中的抗阶比混叠跟踪滤波 |
2.3.2 零相位抗阶比混叠跟踪滤波 |
2.4 实例分析 |
2.5 本章小结 |
3 基于数字微分及最小二乘的转速算法实现 |
3.1 基于数字微分的转速计算原理 |
3.1.1 一阶数字微分插值型求导五点公式 |
3.1.2 一阶数字微分计算转速 |
3.2 转速曲线平滑 |
3.2.1 三次多项式最小二乘拟合 |
3.2.2 分段加权叠加 |
3.3 基于本方法的转速算法流程图 |
3.4 实例分析 |
3.5 本章小结 |
4 阶比分析中的谱分析和阶比分量提取技术的研究 |
4.1 阶比谱分析 |
4.2 STFT 时频谱分析 |
4.2.1 短时傅里叶变换定义 |
4.2.2 对短时傅里叶变换中窗函数的讨论 |
4.2.3 离散短时傅里叶变换 |
4.2.4 STFT 谱图及算法实现 |
4.3 阶比分量提取 |
4.3.1 阶比分量提取技术综述 |
4.3.2 Gabor 时频滤波技术实现阶比分量提取 |
4.4 实例分析 |
4.4.1 谱分析实例 |
4.4.2 阶比分量提取实例 |
4.5 本章小结 |
5 虚拟式阶比分析仪的开发 |
5.1 虚拟仪器技术 |
5.1.1 虚拟仪器的概念 |
5.1.2 虚拟仪器的基本结构 |
5.1.3 虚拟仪器的形成 |
5.1.4 虚拟仪器的特点 |
5.1.5 虚拟仪器的发展与现状 |
5.2 虚拟式阶比分析仪的总体设计 |
5.3 虚拟式阶比分析仪的硬件设计 |
5.3.1 传感器的选用 |
5.3.2 电荷放大器 |
5.3.3 数据采集卡 |
5.4 虚拟式阶比分析仪的软件开发 |
5.4.1 软件开发环境及关键技术 |
5.4.2 虚拟式阶比分析仪的具体实现 |
5.5 偏心电机升降速测试试验 |
5.6 本章小结 |
6 总结与展望 |
6.1 本课题主要工作总结 |
6.2 后续研究工作的展望 |
致谢 |
参考文献 |
附录: |
作者在攻读硕士学位期间发表的论文 |
作者在攻读硕士学位期间参加的科研课题 |
独创性声明 |
学位论文版权使用授权书 |
(8)基于DSP的数字化脑电图仪的研究和实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 问题的提出 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 新颖之处 |
第二章 系统的总体设计 |
2.1 系统总体框图 |
2.2 系统组成模块简介 |
2.3 系统主要技术指标 |
第三章 DSP模块的设计 |
3.1 DSP存储空间及其扩展 |
3.1.1 DSP存储器概述 |
3.1.2 程序空间扩展 |
3.1.3 数据空间扩展 |
3.2 FLASH的烧写流程 |
3.3 DSP的自举加载 |
3.4 HPI接口的设计与实现 |
3.4.1 HPI接口简介 |
3.4.2 HPI接口的信号连接 |
3.4.3 HPI接口的通信方式 |
3.5 DSP外围电路设计 |
3.5.1 电源电路 |
3.5.2 复位电路 |
3.5.3 系统时钟 |
3.5.4 JTAG仿真口 |
3.5.5 其他电路 |
3.6 本章小结 |
第四章 脑电信号滤波算法 |
4.1 任务与要求 |
4.2 去除工频干扰和基线漂移的快速算法 |
4.2.1 滤波原理 |
4.2.2 零相位滤波 |
4.2.3 M值的讨论 |
4.2.4 仿真结果 |
4.3 FIR滤波器设计 |
4.3.1 低通滤波器的实现 |
4.3.2 带通滤波器的实现 |
4.4 本章小结 |
第五章 系统功能测试分析 |
5.1 系统实时性测试 |
5.2 滤波效果的对比 |
第六章 总结与展望 |
参考文献 |
致谢 |
附录一 脑电图基础知识简介 |
附录二 脑电信号中的伪差及消除 |
附录三 脑电图仪及最新发展动态 |
附录四 32导脑电图仪的设计说明 |
附录五 32导脑电图仪技术指标测试 |
附录六 FLASH操作程序 |
(9)脑电信号特征信息提取的时频分析方法及虚拟式脑电图仪的研制(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 课题来源 |
1.2 脑电图(EEG)综述 |
1.2.1 脑电图 |
1.2.2 脑电图仪 |
1.2.3 脑电信号的现代分析方法综述 |
1.3 课题的研究意义 |
1.4 本文的主要工作 |
1.5 研究的方法和技术路线 |
1.6 论文的主要体系结构 |
2 脑电信号的起源和检测 |
2.1 脑电波的神经生理基础 |
2.1.1 神经元和突触 |
2.1.2 膜电位和离子学说 |
2.1.3 脑电波产生原理 |
2.2 脑电图测量 |
2.2.1 单极导联 |
2.2.2 头顶Cz作公共参考点的导联 |
2.2.3 平均参考导联(AVG) |
2.2.4 双极导联 |
3 脑电信号分析中的非平稳信号处理技术 |
3.1 概述 |
3.2 Gabor变换 |
3.2.1 一般傅立叶变换的问题 |
3.2.2 短时傅立叶变换 |
3.2.3 Gabor变换 |
3.2.4 脑电基本节律频带相对强度比(BRIR) |
3.3 小波变换和小波包变换 |
3.3.1 连续小波变换(CWT) |
3.3.2 多分辨率小波分析 |
3.3.3 小波基的选择 |
3.3.4 小波包分析 |
3.4 Wigner分布与Choi-Williams分布 |
3.5 匹配跟踪 |
3.5.1 匹配跟踪算法(MP) |
3.5.2 Gabor函数集 |
3.5.3 MP分解结果的时频输出 |
3.5.4 基于MP算法的EEG睡眠纺锤波的检测与分析 |
3.6 多分辨率时频分析方法 |
3.7 独立分量分析 |
3.7.1 线性ICA模型 |
3.7.2 ICA问题描述 |
3.7.3 观测信号的白化 |
3.7.4 ICA迭代算法 |
3.7.5 分量的逐一提取 |
3.8 人工神经网络 |
3.8.1 BP网络结构 |
3.8.2 癫痫脑电检测中的ANN应用 |
3.9 本章小结 |
4 脑电信号特征波形分析功能的实现 |
4.1 引言 |
4.2 脑电信号中伪迹的消除 |
4.3 脑电信号中的特征波形及其特点 |
4.4 癫痫发作时特征波形的提取 |
4.5 其它特征波形提取功能的实现 |
4.6 本章小结 |
5 脑电地形图分析 |
5.1 脑电图仪中集成脑电地形图分析功能的必要性 |
5.2 脑电地形图分析中的数值分析方法 |
5.2.1 勒让德多项式 |
5.2.2 插值算法 |
5.3 本章小结 |
6 睡眠分阶分析 |
6.1 引言 |
6.2 睡眠阶段的划分及其特征 |
6.3 睡眠分阶自动分析功能实现 |
6.3.1 睡眠分阶规则 |
6.3.2 功能实现 |
6.4 本章小结 |
7 虚拟式脑电测量和分析仪器系统 |
7.1 虚拟仪器技术 |
7.1.1 虚拟仪器概念 |
7.1.2 虚拟式生物医学仪器系统的形成 |
7.1.3 虚拟式生物医学仪器系统的发展趋势 |
7.2 虚拟式脑电图仪组成和功能划分 |
7.3 脑电信号的测量与记录 |
7.4 病人信息档案的管理和查询 |
7.5 编辑、打印功能的实现 |
7.6 导程组合和导程定位方式选择 |
7.7 脑电信号分析功能 |
7.7.1 脑电信号的时域与频域分析功能实现 |
7.7.2 脑电信号的零相位滤波功能实现 |
7.7.3 脑电信号特征波提取功能的实现 |
7.7.4 脑电地形图分析 |
7.7.5 睡眠分阶自动分析功能实现 |
7.8 本章小结 |
8 结论与进一步研究的设想 |
8.1 结论 |
8.2 进一步研究的设想 |
致谢 |
参考文献 |
附录:A.攻读博士学位期间发表的论文 |
B.攻读博士学位期间参加的科研项目 |
(10)利用零相位数字滤波器检测EEG睡眠纺锤波(论文提纲范文)
1 零相位数字滤波器 |
1.1 零相位数字滤波器的方法及原理 |
1.2 零相位数字滤波器的实现 |
2 EEG睡眠纺锤波的检测 |
2.1 睡眠纺锤波 |
2.2 睡眠纺锤波的检测 |
3 结 论 |
四、利用零相位数字滤波器检测EEG睡眠纺锤波(论文参考文献)
- [1]体感诱发电位脑电高频振荡采集系统[D]. 宋晓宇. 电子科技大学, 2021(01)
- [2]基于极端梯度提升算法的睡眠分期研究[D]. 张佳荣. 浙江大学, 2021(01)
- [3]64导联脑电信号分析系统的设计与研究[D]. 张萍萍. 山东师范大学, 2019(09)
- [4]睡眠纺锤波自动检测的优化与应用[D]. 邱涛. 南京邮电大学, 2018(02)
- [5]脑电信号分析在认知功能中的研究[D]. 张新. 重庆大学, 2010(04)
- [6]认知脑电信号检测分析软件的研究[D]. 许佳. 重庆大学, 2008(06)
- [7]面向旋转机械的虚拟式阶比分析仪的研究[D]. 张祥春. 重庆大学, 2006(01)
- [8]基于DSP的数字化脑电图仪的研究和实现[D]. 马飞. 暨南大学, 2006(05)
- [9]脑电信号特征信息提取的时频分析方法及虚拟式脑电图仪的研制[D]. 季忠. 重庆大学, 2003(01)
- [10]利用零相位数字滤波器检测EEG睡眠纺锤波[J]. 季忠,纪跃波,秦树人. 重庆大学学报(自然科学版), 2002(12)