导读:本文包含了稳态视觉诱发电位论文开题报告文献综述及选题提纲参考文献，主要关键词:视觉注意状态,稳态视觉诱发电位,判别典型模式匹配算法,线性判别分析算法
稳态视觉诱发电位论文文献综述
许敏鹏,程秀敏,明东[1]（2019）在《不同视觉注意状态调制稳态视觉诱发电位特征的可分性研究》一文中研究指出注意将我们的心理资源集中到感兴趣事件的处理上,是一种重要的行为和认知过程。识别注意力状态对提高工作绩效、减少失误的发生具有重要意义。然而,至今还没有能够直接并客观检测注意力状态的方法。基于视觉注意对稳态视觉诱发电位(SSVEP)具有调节效应这一事实,本文设计了10 Hz稳态视觉刺激背景下的go/no-go实验范式,以探究不同视觉注意状态调制SSVEP特征的可分性。实验记录了15名在校研究生志愿者高、低视觉注意力状态下的脑电信号,高、低视觉注意力状态由行为学反应情况判定。研究分析了高、低视觉注意力状态下SSVEP信号的差异,并采用相关分类算法对这种差异进行了识别。结果表明,判别典型模式匹配(DCPM)算法相比线性判别分析(LDA)算法和典型相关分析(CCA)算法分类识别效果更佳,正确率可达76%。研究结果证明,不同视觉注意状态调制的SSVEP特征具有可分性,这为视觉注意力状态的监测提供了新方法。(本文来源于《生物医学工程学杂志》期刊2019年05期）
张亚徽,王斐,李景宏,刘玉强,吴仕超[2]（2019）在《基于稳态视觉诱发电位的智能轮椅半自主导航控制》一文中研究指出针对现有基于脑-机接口(BCI)控制的智能轮椅因交互不协调、识别准确率低、执行效率差而造成用户疲劳等问题,提出了一种人机协同智能控制方法,设计并实现了一种基于BCI与层级地图结合的智能轮椅半自主导航控制系统.首先根据实际需要构建栅格-拓扑-意图3级层级地图.然后采用基于典型相关性分析的1维卷积神经网络对人的意图进行识别分类,并通过BCI系统发送至导航控制部分.最后经融合决策给出控制指令实现智能轮椅的导航.实验中所提方法的平均准确率为91.576%,对脑电信号的识别准确率高,控制系统的稳定性好.结果表明该方法可灵活控制轮椅运动方向并按照人的控制意图无碰撞地到达目标地点.(本文来源于《机器人》期刊2019年05期）
杜光景,谢俊,张玉彬,曹国智,薛涛[3]（2019）在《用于稳态视觉诱发电位脑机接口目标识别的深度学习方法》一文中研究指出针对稳态视觉诱发电位(SSVEP)脑电信号存在个体差异性强、信噪比低等特点而导致其识别困难等问题,提出一种用于SSVEP信号分类识别的深度学习方法。该方法以原始多通道SSVEP信号为输入,利用SSVEP信号的时空特性,首先使用一维时间卷积核对输入信号的时域进行卷积操作;然后使用一维空间卷积核进行空域卷积,对多通道信息进行融合;最后采用降采样、多尺度卷积、全连接等操作完成SSVEP信号的分类识别。实验结果表明:利用该方法在较短时间的视觉刺激下即可实现对被试者SSVEP信号的有效识别;在1 s刺激时长时,该方法的平均离线信息传输率为94.17 b/min,平均识别准确率为93.3%,相比于无监督典型相关分析方法和有监督支持向量机分析方法,识别准确率分别提升了48.73%、41.21%。该方法具有较高的目标识别效率及鲁棒性,有效提高了基于稳态视觉诱发电位信号的脑-机接口的性能。(本文来源于《西安交通大学学报》期刊2019年11期）
李东阁[4]（2019）在《不同灰度值刺激产生的稳态视觉诱发电位比较》一文中研究指出稳态视觉诱发电位(SSVEP)是大脑对外界光刺激的一种物理反应。本实验从光刺激的物理因素出发,研究不同灰度值刺激对SSVEP频率识别准确率的影响。本实验采用拉普拉斯融合进行空间滤波,并利用典型相关分析法进行频率识别。设置刺激界面背景为白色,改变刺激方块的灰度值,从而分析受试者的频率识别准确率。结果表明灰度值增加,频率识别准确率下降,灰度值为0时,频率识别准确率最高。(本文来源于《中国医学物理学杂志》期刊2019年03期）
王璐,张振昊,张智君[5]（2018）在《稳态视觉诱发电位的独立性:脑机接口的应用》一文中研究指出视觉稳态诱发电位(Steady-State Visual Evoked Potential, SSVEP)是由一定频率的视觉刺激所诱发的并与其刺激具有相同(基频)或整数倍(谐波)频率的周期性响应。目前,SSVEP广泛应用于认知心理学的研究和脑机接口(Brain ComputerInterface,BCI)的开发。在认知心理学研究中,SSVEP作为注意标签,可以同时内隐地测量注意在多个刺激上的分配或分布;在BCI领域,SSVEP作为信号源,具有高信噪比、不需要训练和高信号传输率等优势。但是,对于SSVEP作为注意标签和BCI信号源的应用基础,目前仍存在着不少争议。此外,许多因素对SSVEP的影响效应及其作用机制,也有待进一步的考察。为此,本研究探讨了不同频率的SSVEP的相互作用,以使SSVEP可更好地应用于BCI开发。整项研究包括两项实验:实验一在同时呈现两个刺激的条件下,探讨不同刺激频率组合使用时所诱发的SSVEP之间的相互作用;实验二则在此基础上,进一步考察同时存在4、6、9和12个刺激的条件下由不同频率刺激所诱发的SSVEP的相互作用,并对相应的BCI性能进行比较。结果发现,由某一频率刺激诱发的SSVEP,其振幅不受其它频率的刺激存在所影响;由视野中不同位置的刺激所诱发的SSVEP是相互独立的,其响应线性可加;刺激数量不会对SSVEP的振幅产生显着的影响,但会影响目标识别的准确性和BCI的性能。因此,在BCI研究中,刺激的数量、频率及其布局都会影响BCI的性能,其中刺激频率主要影响注意对SSVEP的调节量,而刺激数量和频率布局则主要影响BCI识别算法的性能。(本文来源于《第二十一届全国心理学学术会议摘要集》期刊2018-11-02）
王璐[6]（2018）在《稳态视觉诱发电位识别算法研究》一文中研究指出脑-机接口是一种全新的信息交流和控制方式,它能提供人脑与计算机或其他电子设备之间直接交流和控制的通道。它不依赖于传统的外围神经和肌肉输出通道,是当前脑科学中研究的热点。脑-机接口的控制信号包括事件相关电位,感知运动节律,稳态视觉诱发电位,运动起始时刻视觉诱发电位,以及它们之间的混合信号。稳态视觉诱发电位因其具有高的信噪比、响应时间短,成为最为常用的控制信号之一被应用脑-机接口系统的设计和开发。基于稳态视觉诱发电位的脑-机接口的系统具有非常高的信息传输率、训练时间少,使得该类脑-机接口成为当前研究中热点。有效的频率识别方法对于开发高效的脑-机接口系统至关重要。本文将主要研究频率识别算法,主要内容和结果概括如下:1)提出了一种基于局部时间信息约束的多变量同步指数的频率识别新方法。该方法在协方差矩阵的建模过程中,引入Tukeys tricube加权函数,有效地利用了信号的局部时间信息。通过在真实脑电数据实验,结果证明提出的算法有效地改进了原始基于多变量同步指数的频率识别算法的性能。2)提出了一种新的融合典型相关系数的频率识别算法。对于多导脑电信号的分析,典型相关分析可以给出多个典型相关系数。在传统的基于典型相关分析的频率识别过程中,往往只选用最大的那个系数,丢弃其他的系数,在一定程度上损失可用于频率识别的有用信息。为此,我们提出一种融合所有典型相关系数进行分类的新算法,在公开的基准数据集上的实验结果表明该算法显着性地提高了原有基于典型相关算法的性能。3)提出了一种新的基于滤波器组技术的似然比检验算法。在信号处理领域中,滤波器组技术被广泛应用于处理和分析包含多个子带频率成分的信号,通过引入该技术能显着性地提高原有算法的性能。本文中,我们首次将滤波器组技术应用于基于似然比检验的算法,以进一步改进该算法的性能。通过在公开的基准数据集上的验证,基于滤波器组改进的算法显着性地提高了原始的似然比检验方法的分类正确率、信息传输率。(本文来源于《西南科技大学》期刊2018-11-01）
高诺,翟文文,杨玉娜[7]（2018）在《MSI和CCA算法对稳态视觉诱发电位信号分类的比较研究》一文中研究指出脑机接口(Brain Computer Interface,BCI)系统能让那些有运动障碍的病人用脑信号与外界设备交互。稳态视觉诱发电位(Steady State Visual Evoked Potential,SSVEP)具有分析正确率高,不用训练等优点而倍受重视。如何高效地对SSVEP信号频率识别是SSVEP-BCI的关键问题,并关系到BCI的系统优劣。本文采用多变量同步指数与典型相关分析方法对SSVEP信号分类进行比较研究,探讨了两种方法在数据长度、导联数量、导联位置以及参考信号的谐波数量对SSVEP信号分类效果的影响。六位被试者参与实验采集数据,实验结果证实,在时间窗较小,数据长度较少的条件下,多变量同步指数方法较典型相关分析方法性能更优。而对于SSVEP信号分析来说,导联位置的准确性是影响频率分析算法的最根本因素。(本文来源于《信号处理》期刊2018年08期）
陈小刚[8]（2018）在《稳态视觉诱发电位脑机接口系统优化及其在机器人中的应用》一文中研究指出脑-机接口因能在人脑与外部设备之间建立一个直接通讯渠道而备受关注。然而,低的通讯速率成为制约脑-机接口推广应用的主要瓶颈。选择高通讯速率的稳态视觉诱发电位脑-机接口作为研究对象,研究刺激属性对稳态视觉诱发电位的影响以及高效的编解码方法,以优化稳态视觉诱发电位脑-机接口系统。同时将稳态视觉诱发电位脑-机接口的控制策略引入机器人研究,从机械臂的实际应用需求出发,结合机械臂自身具有的机器智能,分别采用"直接控制"和"高级控制"两种模式,设计与实现基于稳态视觉诱发电位脑-机接口控制的机械臂系统。结果显示稳态视觉诱发电位脑-机接口能够为机械臂提供准确、有效的控制,验证了脑-机接口控制机械臂系统的可行性。(本文来源于《第四届全国神经动力学学术会议摘要集》期刊2018-08-06）
陈小刚,徐圣普[9]（2018）在《稳态视觉诱发电位频率响应特性研究》一文中研究指出目的稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)是大脑对周期性视觉刺激产生的响应,已广泛应用于基于脑电(electroencephalogram,EEG)的脑-机接口(brain-computer interface,BCI)。SSVEP频率响应曲线通常是以发光二极管(light emitting diode,LED)作为视觉刺激器的方式获得的。近年来,计算机显示器广泛用于产生闪烁刺激,然而基于计算机显示器的SSVEP频率响应曲线少有研究。为此,本文研究了基于计算机显示器的SSVEP频率响应特性。方法利用采样正弦编码方法在普通LCD显示器上产生了42个刺激频率(频率范围4~45 Hz),并收集了10位健康受试者的脑电数据,以研究SSVEP幅值/信噪比(signal-to-noise ratio,SNR)与刺激频率的关系。结果较强SSVEP响应出现在大脑枕区。SSVEP基频幅值的峰值出现在10 Hz处,且第二峰值出现在20 Hz处。SSVEP二次谐波幅值的峰值出现在6 Hz且在高刺激频率处幅值较小。低、中频段的SSVEP基频信噪比处于相当的水平。结论本文的实验结果可以为基于计算机显示器的SSVEP-BCIs的频率选择提供依据。(本文来源于《北京生物医学工程》期刊2018年03期）
张振昊[10]（2018）在《视觉稳态诱发电位作为注意标签的理论基础及其应用》一文中研究指出视觉稳态诱发电位(Steady-State Visual Evoked Potential,S SVEP)是由一定频率的视觉刺激所诱发的并与其刺激具有相同(基频)或整数倍(谐波)频率的周期性响应。目前,SSVEP广泛应用于认知心理学的研究和脑机接口(Brain Computer Interface,BCI)的开发。在认知心理学研究中,SSVEP作为注意标签,可以同时内隐地测量注意在多个刺激上的分配或分布;在BCI领域,SSVEP作为信号源,具有高信噪比、不需要训练和高信号传输率等优势。但是,对于SSVEP作为注意标签和BCI信号源的应用基础,目前仍存在着不少争议。此外,许多因素对SSVEP的影响效应及其作用机制,也有待进一步的考察。为此,本研究探讨了注意对不同频率的SSVEP的调节作用以及不同频率的SSVEP的相互作用,以使SSVEP可更好地应用在认知心理学研究和BCI开发。整项研究包括叁项实验:实验一探讨了不同频率下SSVEP的基频与二阶谐波的差异,并对刺激频率与响应频率进行了区分。结果表明,相比于刺激频率,响应频率才是SSVEP振幅和信噪比的关键影响因素;当响应频率相同时,基频与二阶谐波之间没有明显差异。前人研究中关于基谐波分离的结论需要进一步排除响应频率差异的影响。实验二探讨了注意对不同响应频率的基频和二阶谐波的调节作用。结果发现,外显注意对同一响应频率的基频和二阶谐波的调节作用没有明显差异,但对不同响应频率的SSVEP的调节作用存在显着差异,并在alpha频段最大。在选择基于SSVEP的BCI的刺激频率时,除了 alpha频段外,还可考虑theta频段。实验叁探讨了不同频率的SSVEP的相互影响。其中,实验叁a考察了仅有两个刺激的情况下,不同频率的SSVEP的相互作用;实验叁b则在更多刺激的情况下,考察不同频率的SSVEP差异及相应的BCI性能。结果表明,不同频率的SSVEP是相互独立的;在BCI中,刺激的数量和频率的分布不会影响SSVEP,但会影响目标识别的准确性和BCI的性能。本研究的结论认为,在认知研究中,响应频率对基于基谐波分离的研究效度有重要影响,而刺激频率对基于注意的调节效应的实验效应量和检验力有重要影响;在BCI中,刺激的数量、频率及其布局都会影响BCI的性能,其中刺激频率主要影响注意对SSVEP的调节量,而刺激数量和频率布局则主要影响BCI识别算法的性能。(本文来源于《浙江大学》期刊2018-06-01）
稳态视觉诱发电位论文开题报告
（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：
针对现有基于脑-机接口(BCI)控制的智能轮椅因交互不协调、识别准确率低、执行效率差而造成用户疲劳等问题,提出了一种人机协同智能控制方法,设计并实现了一种基于BCI与层级地图结合的智能轮椅半自主导航控制系统.首先根据实际需要构建栅格-拓扑-意图3级层级地图.然后采用基于典型相关性分析的1维卷积神经网络对人的意图进行识别分类,并通过BCI系统发送至导航控制部分.最后经融合决策给出控制指令实现智能轮椅的导航.实验中所提方法的平均准确率为91.576%,对脑电信号的识别准确率高,控制系统的稳定性好.结果表明该方法可灵活控制轮椅运动方向并按照人的控制意图无碰撞地到达目标地点.
（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。
稳态视觉诱发电位论文参考文献
[1].许敏鹏,程秀敏,明东.不同视觉注意状态调制稳态视觉诱发电位特征的可分性研究[J].生物医学工程学杂志.2019
[2].张亚徽,王斐,李景宏,刘玉强,吴仕超.基于稳态视觉诱发电位的智能轮椅半自主导航控制[J].机器人.2019
[3].杜光景,谢俊,张玉彬,曹国智,薛涛.用于稳态视觉诱发电位脑机接口目标识别的深度学习方法[J].西安交通大学学报.2019
[4].李东阁.不同灰度值刺激产生的稳态视觉诱发电位比较[J].中国医学物理学杂志.2019
[5].王璐,张振昊,张智君.稳态视觉诱发电位的独立性:脑机接口的应用[C].第二十一届全国心理学学术会议摘要集.2018
[6].王璐.稳态视觉诱发电位识别算法研究[D].西南科技大学.2018
[7].高诺,翟文文,杨玉娜.MSI和CCA算法对稳态视觉诱发电位信号分类的比较研究[J].信号处理.2018
[8].陈小刚.稳态视觉诱发电位脑机接口系统优化及其在机器人中的应用[C].第四届全国神经动力学学术会议摘要集.2018
[9].陈小刚,徐圣普.稳态视觉诱发电位频率响应特性研究[J].北京生物医学工程.2018
[10].张振昊.视觉稳态诱发电位作为注意标签的理论基础及其应用[D].浙江大学.2018
标签：视觉注意状态; 稳态视觉诱发电位; 判别典型模式匹配算法; 线性判别分析算法;