导读:本文包含了脑电消噪论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:分量,算法,电信号,独立,阈值,脑电图,小波。
脑电消噪论文文献综述
耿雪青,佘青山,张启忠,马玉良[1]（2019）在《基于非线性多尺度表示的脑电消噪方法》一文中研究指出为了有效地从混有噪声的非平稳、非线性、低信噪比的脑电信号中抽取出有用信息,提出了一种新的基于非线性多尺度表示的脑电信号消噪方法。首先检测出脑电信号奇异点的位置,其次在跳跃奇异点的附近区间采用多项式单元平均插值构成的非线性预测算子,而在其他区间采用线性预测算子,对脑电信号进行非线性多尺度表示,然后在各个尺度上对变换系数进行阈值处理,重构处理后的系数得到去噪后的脑电信号。采用仿真数据和实际脑电数据BCI Competition IV dataset 1对所提方法进行实验测试,并与其他现有方法进行比较分析。实验结果表明,所提方法的消噪效果优于Garrote阈值、小波硬阈值、软阈值、自适应阈值,具备一定的实用性,可用于脑-机接口系统中脑电信号消噪。(本文来源于《控制工程》期刊2019年06期）
姚家扬,罗志增[2]（2015）在《对偶树复小波在脑电消噪中的应用》一文中研究指出为解决脑电去噪过程中离散小波带来的信息丢失与频率混迭问题,提出了一种新型对偶树复小波去噪方法.用对偶树复小波对输入脑电信号(EEG)进行多层分解,得到实树部分与虚树部分,分别对实树部与虚树部各子代小波系数进行小波中值阈值处理,再逆变换得到去噪小波.仿真结果表明:该方法可以比传统离散小波去噪方法获得更好的信噪比与均方误差,因此更适合于处理微弱的脑电信号.(本文来源于《华中科技大学学报(自然科学版)》期刊2015年S1期）
丁艳,谢松云,程西娜[3]（2010）在《一种改进的基于陷波器的脑电消噪方法研究》一文中研究指出为了脑电信号消噪,在陷波器的基础上,提出了一种将小波分析与陷波器相结合用于脑电消噪的改进方法。首先设计了一种改进的去噪算法(陷波器),介绍了小波阈值消噪算法的四种阈值规则,并分别结合已设计陷波器对自发脑电消噪进行结果比较。分析表明,两种算法的结合比单纯应用其中一种算法更有效地抑制了噪声,证明了改进方案的可行性和有效性。(本文来源于《计算机仿真》期刊2010年02期）
高莉,黄力宇[4]（2007）在《基于最大熵盲分离算法的脑电消噪方法》一文中研究指出最大熵算法是信号盲源分离处理中的主要算法之一。论文介绍了算法的基本原理和自适应改进方法,并将其应用于剔除多导脑电信号中的肌电、眼动等伪迹。本研究表明,基于盲源分离技术的自适应最大熵算法实现了脑电信号与其中所包含的多种干扰成分的分离,通过信号的重构可实现对不同来源干扰的剔除。自适应最大熵算法是生理信号消噪研究中一种有潜力的方法。(本文来源于《2007'仪表，自动化及先进集成技术大会论文集（二）》期刊2007-12-01）
高莉,黄力宇,王伟荣[5]（2007）在《脑电消噪的自适应盲分离算法研究》一文中研究指出论文提出一种基于最大熵盲分离的自适应算法,介绍了算法的基本原理和改进方法,并将其应用于剔除多导脑电信号中的肌电、眼动等伪迹。研究表明,基于盲分离技术的自适应最大熵算法可以实现脑电信号与其中所包含的多种干扰成分的分离,通过信号的重构可实现对不同来源干扰的剔除。(本文来源于《中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（上册）》期刊2007-04-01）
王永飞[6]（2006）在《基于独立分量分析的脑电消噪与特征提取》一文中研究指出独立分量分析(Independent Component Analysis，ICA)是近年来由盲源分离(Blind Source Separation，BSS)技术发展来的一种新的多维信号处理方法。它以非高期信号为处理对象，在满足一定的条件下，能从多路观测信号中，较完整的分离出隐含其中的若干独立源信号。 ICA最初主要是解决类似鸡尾酒会的盲源分离问题，二十世纪九十年代初，J.Herault和C.Jutten等人从盲源分离问题研究中，提出了ICA的基本概念。L.Tong等人在分析了盲源分离问题的可分离性和不确定性，并给出一类基于高阶统计的矩阵代数特征分解方法。之后，Comon对ICA的概念进行了系统地阐述，并基于高阶统计直接构造了目标函数。1995年，A.J.Bell和T.J.Sejnowski从信息论的角度重新阐述了盲信源分离问题，提出了随机梯度下降的ICA学习算法(Infomax ICA)，该算法可以说是ICA研究热潮的起点。随后，S.Amari及其研究小组在ICA算法理论研究方面也做了很多开创性的工作。在之后的ICA研究过程中，一些年轻学者，如T.W.Lee，A.Hyvarinen在ICA研究方面作出了卓有成效的贡献，提出的扩展Infomax算法、FastICA算法，使得ICA技术进一步走向应用领域。 大脑中通常有不同的部位(信号源)发出信号，脑电信号检测和记录设备记录到的实际上是不同的信号源发出的信号的混迭，而且还常伴随着一些噪声干扰源，这就需要利用ICA方法分离出信号源及噪声干扰源，以达到进一步对脑电信号进行消噪及特征提取的目的，从而帮助我们对脑认知功能做更深的探索研究。ICA应用于EEG的信号分析处理是ICA在生物医学信号处理领域中得到应用的一个实例。另外，ICA在通信、模式识别、雷达信号处理等众多领域均引起了极大的关注。 在脑电信号处理过程中，包含人体其他器官组织产生的生物电信号(如眼电等)以及各种外界因素引起的干扰信号。我们对脑电信号处理的目的是为了从复杂的背景噪声中分离出有用的脑电信号，进而从中提取出具有明确生理意义的脑电特征，并应用于临床医学和脑认知科学的研究。 本文简明扼要的介绍了独立分量分析发展的历史，介绍了本实验室的脑电信号采集系统及应用软件系统，并利用本系统采集了一位同事的脑电信号，本文根据所采集的脑电数据，利用ICA的基本原理及其代表性的两类算法对所采集的数掘进行了系统的分析，并将其应用于对脑电的消噪和特征提取的研究中 本文所做的工作如下： 1．从ICA基本原理出发，分别探讨了FastICA算法和Infomax算法基本原理，并对算法进行系统分析，以及对它们的盲源分离性能进行了分析验证，结果证明了ICA算法对实际应用将具有一定的指导意义。 2．对独立分量分析在ERP消噪中的应用进行了研究。首先对实测的视觉诱发ERP数据运用ICA算法进行分解，然后利用脑电的先验知识，从时域、频域及空间分布模式入手对ICA分离出的独立分量进行噪声识别，这种多角度分析法避免了仅从某一个角度分析时所带有的经验性。此外，传统的基于ICA的ERP消噪多是仅仅对非神经电活动(如眼电等)噪声进行消除，本文除了作了这方面的工作主外，还对部分与刺激具有锁时(Time-lock)关系的自发脑电噪声也进行了处理，从而克服了在后续的ERP提取过程中所造成的难以抑制这些锁时噪声的缺陷。实验获得了理想的ERP消噪效果，并为ERP的可靠提取提供了一条切实可行的新思路。 3．利用ICA分析对诱发脑电信号进行了研究，实验结果表明ICA可以明确地分离出含有一定生理意义的脑电特征，这对临床医学研究具有很重要的意义。(本文来源于《安徽大学》期刊2006-10-01）
吴小培,叶中付,沈谦,张道信[7]（2005）在《在线Infomax算法及其在长记录脑电消噪中的应用》一文中研究指出基于信息极大原理的Infomax算法是一种非常有效的盲源分离算法,在信号处理领域中得到了广泛的应用。本文在传统Infomax算法的基础上,提出了一种在线Infomax算法。文中对在线Infomax算法的性能进行了分析和验证,并结合长时间记录的实测脑电信号中的心电伪迹消除问题,对在线Infomax算法和传统Infomax算法的性能进行了进一步的分析比较。实验结果证明,本文提出的在线Infomax算法在时变混合模型中具有良好的收敛性能,并能有效地消除脑电信号中的心电伪迹。(本文来源于《电路与系统学报》期刊2005年05期）
郭晓静,吴小培,张道信,孔敏,冯焕清[8]（2003）在《基于独立分量分析的脑电消噪与特征提取》一文中研究指出先简要介绍了独立分量分析的基本思想及算法,再将其应用于脑电信号的消噪和思维脑电的特征提取两个方面。实验结果表明:ICA可以将脑电信号中包含的心电(ECG)、眼电(EOG)等多种干扰信号成功地分离出来。另外,通过使用ICA方法对进行不同心理作业的脑电信号进行分析处理后,发现了与心理作业相对应的脑电独立分量特征,这些稳定的独立分量特征将可以为心理作业的分类和脑-机接口技术(BCI)提供新的实现方法.(本文来源于《系统仿真学报》期刊2003年02期）
吴小培,张道信[9]（2002）在《基于多维统计分析方法的脑电消噪》一文中研究指出基于二阶统计特性的主分量分析 (PCA)和基于高阶统计特性的独立分量分析(ICA)是两种非常典型的多维统计分析方法。本文对PCA和ICA基本原理进行了简单介绍 ,并结合脑电消噪问题 ,对两种方法的性能和特点进行了比较。实验结果表明 ,在脑电消噪和特征增强等方面 ,独立分量分析方法具有明显的优势(本文来源于《安徽大学学报(自然科学版)》期刊2002年04期）
龙飞[10]（2002）在《脑电消噪的独立分量分析方法及其应用研究》一文中研究指出脑电(EEG)中蕴涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在认知科学研究领域都是十分重要的。 脑电信号中通常混迭有不同种类的伪迹成分(如：眼电、心电、肌电、工频干扰等)，它们来自一些生理源及噪声源的影响。这些噪声的存在给脑电的临床应用和分析研究带来了很大困难。舍弃被噪声污染的脑电记录无疑会造成数据的大量丢失，而且在临床上往往是难以接受的。如何从被采集的原始脑电中获取反映大脑活动和状态的有用信息是脑电分析中一个比较棘手的问题。长期以来，研究者们已经提出了很多脑电消噪的方法(大多集中在时频域)，但遗憾的是情况并未得到明显的改善。 近年来随着独立分量分析(Independent Component Analysis简称ICA)在信号处理界引起的广泛关注，该技术也被迅速应用到生物医学信号处理领域。作为一种新的多元统计处理方法，ICA是伴随着传统的盲源分离(Blind Source Separatio简称BSS)问题而不断发展起来的。本论文在分析ICA理论及其算法的基础上，提出将其应用到脑电中多种伪迹的分离及去除，并取得了比较理想的实验结果。事实表明，ICA方法普遍适用于脑电信号中各种噪声的消除，这种普遍性是对传统处理手段的重要突破。此外，ICA这种空间滤波器不受信号频谱混迭的限制，消噪的同时能对有用信号的细节成分做到很好的保留，很大程度上弥补了时频域方法的不足。(本文来源于《安徽大学》期刊2002-05-20）
脑电消噪论文开题报告
（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：
为解决脑电去噪过程中离散小波带来的信息丢失与频率混迭问题,提出了一种新型对偶树复小波去噪方法.用对偶树复小波对输入脑电信号(EEG)进行多层分解,得到实树部分与虚树部分,分别对实树部与虚树部各子代小波系数进行小波中值阈值处理,再逆变换得到去噪小波.仿真结果表明:该方法可以比传统离散小波去噪方法获得更好的信噪比与均方误差,因此更适合于处理微弱的脑电信号.
（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。
脑电消噪论文参考文献
[1].耿雪青,佘青山,张启忠,马玉良.基于非线性多尺度表示的脑电消噪方法[J].控制工程.2019
[2].姚家扬,罗志增.对偶树复小波在脑电消噪中的应用[J].华中科技大学学报(自然科学版).2015
[3].丁艳,谢松云,程西娜.一种改进的基于陷波器的脑电消噪方法研究[J].计算机仿真.2010
[4].高莉,黄力宇.基于最大熵盲分离算法的脑电消噪方法[C].2007'仪表，自动化及先进集成技术大会论文集（二）.2007
[5].高莉,黄力宇,王伟荣.脑电消噪的自适应盲分离算法研究[C].中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（上册）.2007
[6].王永飞.基于独立分量分析的脑电消噪与特征提取[D].安徽大学.2006
[7].吴小培,叶中付,沈谦,张道信.在线Infomax算法及其在长记录脑电消噪中的应用[J].电路与系统学报.2005
[8].郭晓静,吴小培,张道信,孔敏,冯焕清.基于独立分量分析的脑电消噪与特征提取[J].系统仿真学报.2003
[9].吴小培,张道信.基于多维统计分析方法的脑电消噪[J].安徽大学学报(自然科学版).2002
[10].龙飞.脑电消噪的独立分量分析方法及其应用研究[D].安徽大学.2002
论文知识图
