导读:本文包含了伪迹去除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,卷积,小波,电极,独立,希尔伯特,成分。
伪迹去除论文文献综述写法
陈书贞,张祎俊,练秋生[1]（2019）在《基于多尺度稠密残差网络的JPEG压缩伪迹去除方法》一文中研究指出JPEG在高压缩比的情况下,解压缩后的图像会产生块效应、边缘振荡效应和模糊,严重影响了图像的视觉效果。为了去除JPEG压缩伪迹,该文提出了多尺度稠密残差网络。首先把扩张卷积引入到残差网络的稠密块中,利用不同的扩张因子,使其形成多尺度稠密块;然后采用4个多尺度稠密块将网络设计成包含2条支路的结构,其中后一条支路用于补充前一条支路没有提取到的特征;最后采用残差学习的方法来提高网络的性能。为了提高网络的通用性,采用具有不同压缩质量因子的联合训练方式对网络进行训练,针对不同压缩质量因子训练出一个通用模型。经实验表明,该文方法不仅具有较高的JPEG压缩伪迹去除性能,且具有较强的泛化能力。(本文来源于《电子与信息学报》期刊2019年10期）
张丽平[2]（2019）在《表征心算任务复杂度的脑电信号分析及其眼电伪迹去除》一文中研究指出心算任务(Mental Arithmetic task,MAtask)是常见的认知任务之一。根据心算任务的复杂度和任务完成人的认知能力,可能存在叁种不同的认知策略。其中对于大脑中没有直接答案的复杂心算题,需要调用任务完成人的工作记忆(Working Memory,WM),而其心算能力、问题复杂度和完成题目规定的时间共同决定其大脑的工作负荷水平,并可能会造成不同程度的急性心理压力。因此,研究受试者在完成不同复杂度的心算任务中的大脑工作状态,有望揭示心算策略、以及与心算任务密切相关的心理压力和工作记忆的心理生理机制,在认知神经科学领域具有重要的意义。脑电(EEG)是一种被广泛地应用于认知研究领域的大脑皮层活动检测技术。其毫秒级的时间分辨率有助于研究者通过分析不同的认知活动下特定频带的脑电节律波的能量分布特性和动态时间过程,去有效地揭示相应的大脑认知过程和思维活动。然而,有关脑电theta波、alpha波和beta波在不同难度的心算任务中的能量分布的研究结果均存在一定的争议。其次,不同难度心算任务中theta波、alpha波和beta波的动态特性尚未知晓。另外,为得到可靠的基于单通道脑电信号的认知研究结果,需要开发适合于单导脑电信号的眼电伪迹去除算法。本文招募19位健康受试者完成两种难度的心算任务,同步采集多通道脑电数据。有5名受试者实验中途退出,故仅14位受试者完成整个实验并获得高质量的脑电数据用于后续分析。本文首先对脑电数据进行预处理以提高信噪比,然后计算不同难度心算任务条件下脑电theta波、alpha波和beta波的功率谱估计和时频分析,以检验脑电节律波的功率谱及其动态特性与认知任务进程及其复杂度的关系。为实现单通道脑电信号中的眼电伪迹去除,本文还提出了基于离散平稳小波变换和局部滤波的眼电伪迹剔除算法。具体的研究内容和结果如下:1、脑电theta波、alpha波和beta波在两种难度的心算任务中的功率谱特性研究。对筛选后留下的14位受试者于前额皮层和顶叶处的10导脑电数据进行滤波和基于独立成分分析(ICA)算法的眼电伪迹去除等预处理后,采用Welch算法实现谱估计,再相对基线期做归一化处理,获得不同复杂度心算任务的相对功率谱密度值。以1 Hz为频宽单位,使用配对t检验检测4～30 Hz频率范围内,能有效地能表征心算任务复杂度差异的精细频率。结果显示,前额皮层和顶叶区域内能体现心算任务复杂度差异的脑电信号频率范围分别为10～25 Hz和9-25 Hz,涵盖“上alpha”(upper alpha)和“下beta”(lower beta)波段。2、心算任务中脑电theta波、alpha波和beta波的动态特性研究。利用Morse小波,对每道简单心算题或复杂心算题前5秒的脑电信号进行连续小波变换,得到简单或复杂心算任务对应的小波系数能量。结果显示,叁种节律波的能量在两种难度的心算任务中的0.5～1秒内均不存在显着性差异,而在1-4.5秒内简单题阶段具有更高的alpha频段和beta频段的能量。与文献中有关alpha在高强度认知任务时受到抑制的结果一致。3、提出并检验将离散平稳小波变换与运用统计阈值进行伪迹片段检测相结合,适合于单导脑电信号中眼电伪迹去除的OD-SWT算法。结果显示,在搭配最佳的统计阈值情况下,其去眼电伪迹效果能与ICA算法相媲美,OD-SWT算法是一种具有实用性的,适合于单通道脑电信号的眼电伪迹自动剔除算法。脑电alpha波和beta波的能量变化有望作为神经生理学指标,来表征心算任务的复杂度,而提出的OD-SWT算法,为基于单通道脑电数据的眼电伪迹去除提供了新思路。(本文来源于《南方医科大学》期刊2019-05-01）
李路畅[3]（2019）在《单通道脑电信号中伪迹去除研究及伪迹去除工具箱开发》一文中研究指出脑电图(Electroencephalography,EEG)作为一种从人的头皮采集而来的电生理信号,已经日益成为脑科学相关研究中必不可少的实验和分析手段。然而,脑电信号在采集过程中经常受到各种伪迹的干扰,常见的伪迹种类有肌电伪迹、眼电伪迹和心电伪迹。这些伪迹使得脑电信号的分析变得困难,严重妨碍了脑电信号的实际应用。对于传统的多通道脑电信号,研究学者已经提出了多种伪迹去除的方法。最近,随着可穿戴式脑电采集系统的发展,很多情况下只采集一个通道的脑电信号。对于单通道的脑电信号,学者们也已经提出了若干方法来去除伪迹。然而这些方法大多都只针对脑电信号被单种伪迹干扰的情况,而实际情况中脑电信号很可能被多种伪迹同时干扰,使得之前提出的伪迹去除方法并不适用。此外,目前并没有一种伪迹去除方法被公认是最优的,且能够适用于所有脑电信号被干扰的情况。各种伪迹去除方法的优劣很大程度上取决于脑电信号的种类、伪迹种类以及污染程度。然而,当前常用的脑电信号处理工具箱中的伪迹去除方法都较为单一,难以满足用户的需求。在本文中,我们结合奇异谱分析和二阶盲辨识(singular spectrum analysis and second-order blind identification,SSA-SOBI)实现从单通道脑电信号中同时去除多种伪迹的目的。SSA-SOBI首先使用SSA将单通道脑电信号分解为多通道的信号分量矩阵,随后使用SOBI将多通道信号分量矩阵分解为源信号,并去除伪迹源。最后进行数据重建得到去除伪迹后的单通道脑电信号。我们使用半模拟数据进行实验并验证了该方法的伪迹去除效果。此外,为了帮助用户能够通过简单的界面操作即可实现多种伪迹去除方法,并直观比较不同方法的伪迹去除效果,我们开发了一个脑电信号中伪迹去除工具箱。该工具箱包含了许多目前被证明有效的、最先进的伪迹去除方法,且根据应用场景,分别设计了单通道、少数通道和多通道的伪迹去除模式。工具箱也提供了信号展示和伪迹去除效果评价等功能,用户可以直观观察伪迹去除效果。针对单通道脑电信号中多种伪迹同时去除的SSA-SOBI方法的提出,以及伪迹去除工具箱的开发会使脑电信号的应用具有更广阔的前景。(本文来源于《合肥工业大学》期刊2019-04-01）
银珊,李颖洁[4]（2019）在《经颅磁刺激同步干预的头皮脑电信号伪迹离线去除方法综述》一文中研究指出经颅磁刺激(TMS)同步脑电图(EEG)技术(TMS-EEG)已成为脑科学研究的一项重要工具,但两者在同步应用时会在EEG信号中形成复杂伪迹,如何去除这些伪迹一直是困扰研究者们的问题。本文归纳了TMS干预所造成的EEG信号伪迹的类型,并简单介绍了在线处理方法,重点总结了针对不同伪迹的特点可以采用的离线伪迹去除或最小化方法,主要包括减法、主成分分析、独立成分分析等。已有的文献研究表明,现有方法可以较好地处理大部分伪迹,但是对于大伪迹的去噪效果仍有待提高。本文系统总结了近年来TMS-EEG研究中关于伪迹去除问题的有效处理方法,期望对于TMS-EEG同步研究人员在选择伪迹去除的方法上有一定的指导意义。(本文来源于《生物医学工程学杂志》期刊2019年01期）
李明爱,刘帆[5]（2018）在《脑电中眼电伪迹的自动识别与去除》一文中研究指出目的为改善脑电中眼电伪迹的去除效果,基于脑电的非平稳性和模糊特点,提出一种将离散小波变换与二阶盲辨识相结合,并以模糊熵为眼电伪迹判别准则的眼电伪迹去除方法。方法首先,采用离散小波变换对含噪的脑电信号进行多分辩分析,获得平稳性更好的多尺度小波系数;进而,选择同层的小波系数构成小波系数矩阵,并基于二阶盲辨识对其盲源分离,得到源信号的估计;进一步以模糊熵为判别依据,实现眼电伪迹的自动判别与剔除。实验数据采用BCI Competition IV公开数据库,使用信噪比、相关系数及均方根误差等常用伪迹判别指标进行衡量。结果本文方法相对于常用的眼电伪迹去除方法在多个性能指标上均取得最大值。结论本文提出的眼电伪迹去除方法,实现了眼电伪迹的自动精确判断与剔除,并表现出很好的稳定性。(本文来源于《北京生物医学工程》期刊2018年06期）
姚悦,丁永红,裴东兴[6]（2018）在《离散小波变换结合二阶盲辨识的眼电伪迹自动去除方法》一文中研究指出针对传统去除眼电伪迹的方法极易丢失潜在脑电信号的问题,提出一种离散小波变换(DWT)与二阶盲辨识(SOBI)结合的眼电伪迹自动去除方法(DSOBI)。首先将多通道脑电和眼电信号进行多层DWT得到多尺度下的小波系数,在小波域利用SOBI消除小波系数统计上的相关性,有效分离脑电和眼电伪迹,根据相关系数识别出眼电伪迹源分量并置零,再依次重构得到干净的脑电信号(electroencephalography,EEG)。方法对构造的数据进行去伪迹处理,均方误差为1.93,信噪比为14.32,与传统方法相比具有显着优势;对10位被试的真实脑电数据进行处理,利用相关系数验证本方法去除眼电伪迹的有效性,同时保留更多脑电信息。(本文来源于《科学技术与工程》期刊2018年22期）
李佳庆[7]（2018）在《脑电信号中眼电伪迹去除与参考电极选取方法研究》一文中研究指出通过放置在头皮上的电极可以记录来自脑细胞群的自发性、节律性电活动,这就是常说的头皮脑电图,因为这种检测方法对人体没有伤害,所以被应用于很多科研领域,如神经心理学、认知神经科学,目前结合信号与信息处理中的方法来深度挖掘其中的隐含信息。但随机性强、节律种类多、时间敏感度高这是脑电信号的软肋,这导致脑电信号极易被各种噪声污染从而产生大量伪迹,采集后如不经过预处理会给后续的分析带来干扰和误导。因此,如何对脑电信号进行预处理,具有重要的理论和实际意义。本文就预处理过程中的眼电伪迹去除和参考电极选取两个方面做了详尽研究。眼电信号作为参考计算是传统眼电伪迹去除方法的基础,这势必会在采集过程中掺杂其他噪声,且需要手工识别,为了达到自动识别并去除眼电伪迹的目的,提出一种基于FastICA的眼电伪迹自动去除方法。该方法通过FastICA方法提取出信号的各独立成分,计算出信号的GFP(global field power)值,再计算各独立成分与GFP值的相关系数。通过比较,绝对值最大的相关系数对应的独立成分即为眼电伪迹的独立成分,最后置零该独立成分重构干净脑电信号,实现眼电伪迹的自动去除。在此基础上提出一种去除过估计问题的方法,有效防止脑电信号中信息的丢失,保留了有用信息。使用实验室自己采集的脑电数据进行验证,结果表明:该方法在保留有用脑电信息的前提下,能有效自动识别并去除眼电伪迹。参考电极标准化技术(REST)提出以来已被广泛应用到脑电信号的采集与分析领域,通过这种方法可以将基于某点或平均参考电极的电势值转换为以空间上无限远点为参考的电势值,即零参考电极。本文基于小波包方法,选取节点能量、节点能量概率、小波包熵以及σ、θ、α、β四个频段的能量为特征,在两组数据中对零参考电极和平均参考电极方法在分类准确率上进行了比较,证实了参考电极标准化技术在实际应用中的可靠性。(本文来源于《太原理工大学》期刊2018-06-01）
张晨洁,王爽,郭滨,白雪梅[8]（2018）在《基于CNN脑电信号伪迹检测与去除的EEMD方法》一文中研究指出为了去除在脑电信号采集过程中受到的干扰,在传统方法的基础之上,提出了一种基于卷积神经网络(CNN)脑电信号伪迹检测与去除的方法。该方法通过CNN模型对脑电信号电压幅值计算后的特征进行提取,完成Softmax分类器对脑电信号的检测分类。采用EEMD算法将含噪脑电信号分解为若干个本征模式函数IMF分量,通过Hilbert特征法提取出噪声占主导的高频IMF分量,再由FastICA的方法将剩余信号分离,达到眼电伪迹的去除。实验表明,CNN方法检测准确率高达80%以上,CNN与EEMD的结合提高了脑电信号伪迹去除的有效性。(本文来源于《长春理工大学学报(自然科学版)》期刊2018年02期）
张发华[9]（2018）在《基于柔性针式干电极的头发区域多通道脑电信号采集与伪迹自动去除技术研究》一文中研究指出脑电信号(Electroencephalography,EEG)的采集与预处理作为脑机接口应用采集模块最重要的部分,在神经科学、医学、心理学和人工智能等研究领域发挥着重要作用。多通道脑电信号的采集与伪迹去除技术已经成为脑机接口研究的重要课题。当前头发区域多通道脑电信号采集与预处理技术存在以下问题:传统湿电极操作繁琐、准备时间长;头发遮蔽使采集的EEG信号质量不佳,且采集过程中易受运动、吞咽和眨眼等影响而产生伪迹;传统伪迹去除算法具有非全自动、实时性不高和客观性较差等缺点。针对上述不足,本文着重对叁个方面进行研究:1)设计并制备了一种柔性针式头发区域干电极。该电极的阵列式探针和底部呈圆形倒角结构,在使用时不易被折断;探针形状为锥体,能穿过头发接触头皮;基材为橡胶,其间掺杂的导电银粉,使电极具有导电性。为了验证电极的有效性,进行了阻抗特性分析实验、睁闭眼实验和SSVEP实验。阻抗分析实验表明单个电极10Hz在前额区域和头发区域的阻抗值分别为57?6.2k?和90?12.7k?,均能达到设备采集EEG数据时的阻抗要求。对睁闭眼实验和SSVEP实验采集的脑电信号进行频域分析,结果均呈现出明显的特征。2)提出了一种基于低秩稀疏分解的多通道脑电信号伪迹自动去除方法。该方法对多通道脑电信号进行分析并改进了GoDec算法,将受伪迹影响的观测EEG信号X分解为'''X(28)L(10)S(10)G,其中L'为纯净脑电信号,S'和G'为伪迹部分。将S'和G'去除,达到了自动去除伪迹的目的。所提出的方法在标准脑电数据集上进行去伪迹实验,结果表明该方法自动去除伪迹方面是有效的。与现有的伪迹自动去除算法做对比,该方法极大地提高了脑电信号的信噪比、减小了均方误差,且具有较好的稳定性和去伪迹耗时短等优点。3)利用所制备的柔性干电极进行多通道脑电信号的采集,并用所提出的方法进行自动去除伪迹。结果显示伪迹信号的幅值明显减小,处理后的信号达到正常脑电信号标准,且信号分解的波段符合脑电特征波的频率特性,即所制备的柔性干电极与提出的方法适合日常穿戴监测使用。(本文来源于《华南理工大学》期刊2018-04-10）
张璐[10]（2018）在《基于伪迹去除的单通道脑机接口技术研究》一文中研究指出脑机接口技术是一种能够在大脑与计算机或其他设备之间传递信息的通讯技术,可通过提取、识别脑电信号来推断出人脑不同的思维认知状态,并将其转换为控制指令,实现对外部设备的控制。该技术在医学、交通、军事、智能家居等领域,应用前景广阔。按照脑电信号的采集方式,脑机接口可分为侵入式和非侵入式。非侵入式脑机接口按照采集脑电信号的电极数目,又可分为多通道和单通道方式。多通道采集方式基于多个采集电极可获得失真小、质量高的脑电信号,但使用时需要涂抹导电凝胶以降低头皮接触电阻,一般适用于对脑电信号质量要求较高的领域。单通道脑电采集方式仅需一个采集电极,虽然采集到的脑电信号信噪比较低,但其无需涂抹导电凝胶,使用方便,适用于便携式设备开发。本文针对便携式设备应用需求,设计了一套基于伪迹去除的非侵入式单通道脑机接口系统。该系统主要包括脑电信号采集、脑电信号预处理、脑电信号传输等单元。系统设计过程中,采用小波变换提取脑电节律信号作为特征信号,实现对外部设备的“意念控制”;同时,通过基于独立分量分析的伪迹去除算法有效地去除了与脑电信号低频部分相重迭的眼电伪迹,提高了系统的稳定性。为了验证系统功能及伪迹去除算法的可行性和有效性,搭建了小车测试平台。实际测试结果表明,十名被测者对小车控制的成功率平均可达80%,满足系统的功能和基本性能要求。此外,经伪迹去除算法处理后的控制成功率比未经伪迹去除时提高了9.3%,验证了所采用的伪迹去除算法的有效性。(本文来源于《苏州大学》期刊2018-04-01）
伪迹去除论文开题报告范文
（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：
心算任务(Mental Arithmetic task,MAtask)是常见的认知任务之一。根据心算任务的复杂度和任务完成人的认知能力,可能存在叁种不同的认知策略。其中对于大脑中没有直接答案的复杂心算题,需要调用任务完成人的工作记忆(Working Memory,WM),而其心算能力、问题复杂度和完成题目规定的时间共同决定其大脑的工作负荷水平,并可能会造成不同程度的急性心理压力。因此,研究受试者在完成不同复杂度的心算任务中的大脑工作状态,有望揭示心算策略、以及与心算任务密切相关的心理压力和工作记忆的心理生理机制,在认知神经科学领域具有重要的意义。脑电(EEG)是一种被广泛地应用于认知研究领域的大脑皮层活动检测技术。其毫秒级的时间分辨率有助于研究者通过分析不同的认知活动下特定频带的脑电节律波的能量分布特性和动态时间过程,去有效地揭示相应的大脑认知过程和思维活动。然而,有关脑电theta波、alpha波和beta波在不同难度的心算任务中的能量分布的研究结果均存在一定的争议。其次,不同难度心算任务中theta波、alpha波和beta波的动态特性尚未知晓。另外,为得到可靠的基于单通道脑电信号的认知研究结果,需要开发适合于单导脑电信号的眼电伪迹去除算法。本文招募19位健康受试者完成两种难度的心算任务,同步采集多通道脑电数据。有5名受试者实验中途退出,故仅14位受试者完成整个实验并获得高质量的脑电数据用于后续分析。本文首先对脑电数据进行预处理以提高信噪比,然后计算不同难度心算任务条件下脑电theta波、alpha波和beta波的功率谱估计和时频分析,以检验脑电节律波的功率谱及其动态特性与认知任务进程及其复杂度的关系。为实现单通道脑电信号中的眼电伪迹去除,本文还提出了基于离散平稳小波变换和局部滤波的眼电伪迹剔除算法。具体的研究内容和结果如下:1、脑电theta波、alpha波和beta波在两种难度的心算任务中的功率谱特性研究。对筛选后留下的14位受试者于前额皮层和顶叶处的10导脑电数据进行滤波和基于独立成分分析(ICA)算法的眼电伪迹去除等预处理后,采用Welch算法实现谱估计,再相对基线期做归一化处理,获得不同复杂度心算任务的相对功率谱密度值。以1 Hz为频宽单位,使用配对t检验检测4～30 Hz频率范围内,能有效地能表征心算任务复杂度差异的精细频率。结果显示,前额皮层和顶叶区域内能体现心算任务复杂度差异的脑电信号频率范围分别为10～25 Hz和9-25 Hz,涵盖“上alpha”(upper alpha)和“下beta”(lower beta)波段。2、心算任务中脑电theta波、alpha波和beta波的动态特性研究。利用Morse小波,对每道简单心算题或复杂心算题前5秒的脑电信号进行连续小波变换,得到简单或复杂心算任务对应的小波系数能量。结果显示,叁种节律波的能量在两种难度的心算任务中的0.5～1秒内均不存在显着性差异,而在1-4.5秒内简单题阶段具有更高的alpha频段和beta频段的能量。与文献中有关alpha在高强度认知任务时受到抑制的结果一致。3、提出并检验将离散平稳小波变换与运用统计阈值进行伪迹片段检测相结合,适合于单导脑电信号中眼电伪迹去除的OD-SWT算法。结果显示,在搭配最佳的统计阈值情况下,其去眼电伪迹效果能与ICA算法相媲美,OD-SWT算法是一种具有实用性的,适合于单通道脑电信号的眼电伪迹自动剔除算法。脑电alpha波和beta波的能量变化有望作为神经生理学指标,来表征心算任务的复杂度,而提出的OD-SWT算法,为基于单通道脑电数据的眼电伪迹去除提供了新思路。
（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。
伪迹去除论文参考文献
[1].陈书贞,张祎俊,练秋生.基于多尺度稠密残差网络的JPEG压缩伪迹去除方法[J].电子与信息学报.2019
[2].张丽平.表征心算任务复杂度的脑电信号分析及其眼电伪迹去除[D].南方医科大学.2019
[3].李路畅.单通道脑电信号中伪迹去除研究及伪迹去除工具箱开发[D].合肥工业大学.2019
[4].银珊,李颖洁.经颅磁刺激同步干预的头皮脑电信号伪迹离线去除方法综述[J].生物医学工程学杂志.2019
[5].李明爱,刘帆.脑电中眼电伪迹的自动识别与去除[J].北京生物医学工程.2018
[6].姚悦,丁永红,裴东兴.离散小波变换结合二阶盲辨识的眼电伪迹自动去除方法[J].科学技术与工程.2018
[7].李佳庆.脑电信号中眼电伪迹去除与参考电极选取方法研究[D].太原理工大学.2018
[8].张晨洁,王爽,郭滨,白雪梅.基于CNN脑电信号伪迹检测与去除的EEMD方法[J].长春理工大学学报(自然科学版).2018
[9].张发华.基于柔性针式干电极的头发区域多通道脑电信号采集与伪迹自动去除技术研究[D].华南理工大学.2018
[10].张璐.基于伪迹去除的单通道脑机接口技术研究[D].苏州大学.2018