导读:本文包含了脑电信号论文开题报告文献综述、选题提纲参考文献，主要关键词:电信号,向量,特征,脑电图,组合,峰值,分布式。
脑电信号论文文献综述写法
朱嘉祺[1]（2020）在《分布式脑电信号采集系统研究》一文中研究指出通过脑电信号对学生学习状态进行分析是一种先进、客观的新方法。目前对脑电信号的采集还处在单对单的形式,不适用于多人脑电信号的同时采集的学习情景。因此,本文提出了一种可以同时采集多人脑电信号,并且通过无线方式汇总的分布式脑电信号采集方案。测试结果表明,所设计系统可以同步采集多人脑电信号,并进行存储分析,较好地反应了学生的学习状态。(本文来源于《仪器仪表用户》期刊2020年01期）
张相芬,陀佳萍,董柳吟,袁非牛,罗阳[2]（2019）在《脑电信号的最优分数阶傅里叶变换》一文中研究指出为消除噪声影响、准确提取信号特征,提出了对脑电信号进行最优阶次的分数阶傅里叶变换,以对脑电信号进行时频域分析.首先采用二维峰值搜索算法得出最优变换阶次,然后基于最优变换阶次对脑电信号进行分数阶傅里叶变换.实验结果表明,基于二维峰值搜索算法的最优分数阶傅里叶变换能更好地去除脑电信号的噪声,使信号具有非常好的能量聚集性,为脑电信号的特征提取以及进一步分析研究打下良好的基础.(本文来源于《沈阳大学学报(自然科学版)》期刊2019年06期）
赵蕾,白雪梅,胡超[3]（2019）在《酒精脑电信号降维去噪方法的研究》一文中研究指出脑电信号数据维度高,且极易受到噪声干扰。除环境噪声干扰外,自身伪迹干扰对脑电的影响更严重,因此,对采集到的原始数据进行去噪处理是有必要的。常见的脑电去噪方法 (如FastICA、奇异性检测、差分谱法等)并不适用于采样点数有限的酒精脑电去噪,经过实验,去噪后的酒精脑电信号特征损失严重。针对酒精脑电数据特点在传统脑电信号预处理方法的基础上,提出了一种基于主成分分析算法(Principal components analysis,PCA)和奇异值迭代分解法(Singular Value Decomposition,SVD)相结合的方法对酒精脑电信号进行去噪。通过PCA算法成功将64维脑电信号降至15维,减少了脑电信号处理的计算量,对提取的主成分进行4次奇异值迭代分解,达到了对脑电信号去噪的同时保留了更多信号特征的目的。(本文来源于《长春理工大学学报》期刊2019年06期）
储有兵,费胜巍,范晞[4]（2019）在《基于WT-SVD-SVM和WT-SVD-KNN的运动想象脑电信号特征提取及分类》一文中研究指出针对运动想象脑电信号策略缺乏多样性的问题,提出一种在肢体运动的同时大脑想象运动过程与完全想象运动过程相结合的运动想象脑电信号策略。结合小波变换(wavelet transform,WT)与奇异值分解(singular value decomposition,SVD)提取运动想象脑电信号特征,用支持向量机(support vector machine,SVM)与K最近邻(K-nearest neighbor,KNN)分类器对不同运动想象策略进行分类。针对脑电信号采集过程中常出现信号失真的情况,提出了自回归(auto-regression,AR)模型结合奇异值分解的规避方法,结果表明此方法能够有效排除信号采集过程中出现的失真情况。通过比较方法 WT-SVD-SVM与WT-SVD-KNN的特征提取和分类算法,结果表明,WTSVD-SVM方法在单一策略和两者组合策略中最低分类精度达到90.00%,并且该方法在想象箭头向上、箭头向右以及左拳右摆策略下精度能够达到91.11%。(本文来源于《东华大学学报(自然科学版)》期刊2019年06期）
李红宇,刘庆江,常晓娟,赵薇[5]（2019）在《具有在线自学习能力的脑电信号分类方法》一文中研究指出脑电信号具有时变、个体差异的特点,容易受到身体状态、情绪、位置等因素的影响,传统的BP网络分类器难以适应动态监测的要求。基于此,笔者提出了一种基于BP网络的BP AdaBoost基本网络分类器。首先,该分类器是在传统Ada在线自学习能力的脑电信号分类方法 boost集成学习框架下由弱分类器形成的,其通过引入遗忘因子,改变初始样本容量来改进AdaBoost算法;其次,初始权值增强了其时间相关性,得到BP-AdaBoost分类器,并进一步借鉴半监督的思想,增加了基于K-近邻规则的自评价反馈环节,从而提高了捕获效果;最后,基于国际BCI竞赛数据集,利用HilbertHuang变换提取脑电图特征。仿真结果表明,笔者提出的分类方法对时间和个体具有较好的适应性和鲁棒性,与传统的BP神经网络相比,分类精度约提高了23.42%。(本文来源于《信息与电脑(理论版)》期刊2019年23期）
贾小云,王丽艳,陈景霞,张鹏伟[6]（2019）在《基于时频域组合特征的脑电信号情感分类算法》一文中研究指出为了提高基于脑电信号(electroencephalogram, EEG)情感识别的准确率,提取了脑电信号的时域与频域特征,并且将其进行组合形成时频域组合特征,作为不同识别模型下的输入。采用集成决策树(bagging tree, BT)、贝叶斯线性分析(Bayesian linear discriminant analysis, BLDA)、线性判别分析(linear discriminant analysis, LDA)及支持向量机(support vector machine, SVM)四种浅层机器学习算法对EEG在效价与唤醒度上进行二分类情感识别。实验结果表明,DEAP数据集在效价上,基于时频域组合特征在BT分类器下的识别精度平均达到92.54%,在唤醒度维度上基于时频域组合特征在SVM下平均识别精度达到94.62%。(本文来源于《科学技术与工程》期刊2019年33期）
王硕,倪丹,张浩哲[7]（2019）在《基于脑电信号的移动学习效果》一文中研究指出本文利用脑电测试学习效果的实验设计,让被测者分别用四种不同的形式进行注意力测试(一种纸媒,叁种交互程度不同的移动学习),结果发现:如果利用数字媒体的移动学习不能提交适当的交互,其学习效果与纸媒基本没有差异,注意力甚至有所降低,但当利用数字媒体的移动学习能提供较多交互时,学习效果和注意力则有所提升。(本文来源于《电子技术与软件工程》期刊2019年22期）
丁尚文,王纯贤[8]（2019）在《基于支持向量机的酗酒脑电信号分类研究》一文中研究指出酗酒会对脑认知功能产生严重损伤。为了检测长期饮酒人员是否有酗酒倾向问题,提出一种基于支持向量机的酗酒脑电信号特征分类识别方法。借助叁类评估参数,实现了对健康者和酗酒者脑电信号定量分析。研究结果发现,能量评估参数是一种新的最佳评估分类因子,采用θ能量评估参数利用支持向量机能够对两类不同特征的脑电信号进行分类识别,识别精度最高达到90%。该方法能够为长期饮酒人员是否有酗酒倾向提供一种新的辅助检测方法,有助于提醒长期饮酒群体对健康给予关注。(本文来源于《自动化仪表》期刊2019年11期）
吕品,徐玉婷[9]（2019）在《基于脑电信号的少数民族大学生心理危机研究》一文中研究指出本文把脑电信号和UK心理测验相结合,建立了基于脑电信号的情绪识别模型,提出了心理动态特性和情绪研究的有效方法,对少数民族大学生潜在的心理危机,尤其是危机情绪特征的检测研究提供了必要的评价参数,构建和完善了少数民族大学生心理问题预警机制。(本文来源于《中国农村教育》期刊2019年32期）
牛少杰[10]（2019）在《基于特征提取模式的脑电信号分析方式》一文中研究指出脑机接口是脑电信号识别的重要研究方向,正确区分脑电信号是将思维意识转化为外围设备具体动作的根本前提。现重点分析了一种基于特征提取模式的脑电信号分类识别方法,致力于有效提升分类的精度。首先利用功率谱模型提取脑电信号的时频特征,并将其作为人工神经网络的样本集及测试集,然后搭建多层反向传播网络,再利用LMS改进算法进行训练,最终得到分类识别结果。经实验证明,该脑电信号识别方法的分类效果良好。(本文来源于《机电信息》期刊2019年32期）
脑电信号论文开题报告范文
（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：
为消除噪声影响、准确提取信号特征,提出了对脑电信号进行最优阶次的分数阶傅里叶变换,以对脑电信号进行时频域分析.首先采用二维峰值搜索算法得出最优变换阶次,然后基于最优变换阶次对脑电信号进行分数阶傅里叶变换.实验结果表明,基于二维峰值搜索算法的最优分数阶傅里叶变换能更好地去除脑电信号的噪声,使信号具有非常好的能量聚集性,为脑电信号的特征提取以及进一步分析研究打下良好的基础.
（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。
脑电信号论文参考文献
[1].朱嘉祺.分布式脑电信号采集系统研究[J].仪器仪表用户.2020
[2].张相芬,陀佳萍,董柳吟,袁非牛,罗阳.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
[3].赵蕾,白雪梅,胡超.酒精脑电信号降维去噪方法的研究[J].长春理工大学学报.2019
[4].储有兵,费胜巍,范晞.基于WT-SVD-SVM和WT-SVD-KNN的运动想象脑电信号特征提取及分类[J].东华大学学报(自然科学版).2019
[5].李红宇,刘庆江,常晓娟,赵薇.具有在线自学习能力的脑电信号分类方法[J].信息与电脑(理论版).2019
[6].贾小云,王丽艳,陈景霞,张鹏伟.基于时频域组合特征的脑电信号情感分类算法[J].科学技术与工程.2019
[7].王硕,倪丹,张浩哲.基于脑电信号的移动学习效果[J].电子技术与软件工程.2019
[8].丁尚文,王纯贤.基于支持向量机的酗酒脑电信号分类研究[J].自动化仪表.2019
[9].吕品,徐玉婷.基于脑电信号的少数民族大学生心理危机研究[J].中国农村教育.2019
[10].牛少杰.基于特征提取模式的脑电信号分析方式[J].机电信息.2019