排序方式: 共有38条查询结果,搜索用时 156 毫秒
21.
心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。 相似文献
23.
探索在听觉感知的交通信息提示下,进行左右手想象运动对车辆进行辅助控制的脑电特征。受试者在模拟的鸣笛和刹车环境中进行左右手想象运动控制车辆的前进和停止,对采集的脑电进行了基于公共空间模式CSP和线性回归算法的特征提取及分类,识别率达96.67%。结果显示:在与左右手想象运动相关的电极C3、C4上,均表现出右手想象任务引起的脑电幅值高于左手任务,最大幅值差可达120μV。结论:与传统的在视觉感知下进行的左右手想象任务相比,听觉感知任务下的脑电存在着很大优势:(1)两种想象任务引起的脑电幅值差异更大,更有利于信号的提取;(2)脑电的获取可以取代传统的双电极采集方式,选用C3或C4单电极实现。 相似文献
24.
脑疲劳是由于人们长时间地从事重复单一或高负荷的认知活动所引起的,短时间的脑疲劳会引起注意力下降、工作效率降低,而长时间的脑疲劳则会造成脑功能损伤。提取脑疲劳特征有助于脑疲劳的检测,预防脑疲劳带来的危害。熵能够反映脑疲劳状态下大脑复杂度的变化情况,有望成为评价脑疲劳的指标。但是,熵对脑电信号特征的提取受趋势重叠的影响,无法实现信号动态特性的准确描述,造成不同时间段得到的熵特征不一致。为解决趋势重叠对脑电信号熵特征的影响,将基于经验模式分解(EMD)的去趋势波动分析同熵值计算相结合,以4 h英语科技论文翻译作为脑疲劳诱发任务,记录14名本科生志愿者在正常安静和脑疲劳状态下的脑电信号,对比分析两种状态及3个时间段脑电信号的近似熵、模糊熵和去趋势模糊熵。结果表明,相比传统的近似熵和模糊熵,脑疲劳状态下去趋势模糊熵在左半球脑区的熵值较正常安静状态下显著降低(FC3,P=0.022;P5,P=0.007),且3个时间段有显著性差异的导联基本相同(3个时间段FC3导联P值分别为0.025、0.017、0.012,P5导联P值分别为0.011、0.006、0.017)。结果表明,去趋势模糊熵可以更好地表达两种状态下大脑复杂度的差异,且具有很好的时间稳定性。因此基于EMD的去趋势模糊熵可以更加快速有效地评价脑疲劳对大脑活动复杂度的影响。 相似文献
25.
背景:磁刺激技术是一种新型生物刺激技术,鉴于其使用方便且无痛无创,所以可以采用磁刺激技术刺激穴位替代针刺或电刺穴位.脑电信号可以反映大脑皮质神经的兴奋状态,所以磁刺激与神经相关的神门穴并测量与分析其脑电信号可以研究磁刺激穴位的作用与效果.目的:以不同频率磁刺激刺激肢体神门穴,观察在4种不同状态下脑电信号的诱发电位及其偶极子源定位.方法:选择健康右利手男性6名,女性4名,年龄20~30岁,既往无神经、精神系统病史,实验期间被试保持闭眼静息.用3,1,0.5 Hz 3种不同频率的磁刺激刺激被试右手神门穴.每种频率的刺激实验分4组,第1组为静息实验,第2组为磁刺激实验,第3组为假刺激实验,第4组为假穴实验.观察4种状态下诱发电位的幅值与潜伏期,诱发电位偶极子源定位冠状面、矢状面和轴状面图.结果与结论:0.5,1 Hz磁刺激实验4组状态的脑电信号均无明显诱发电位.3 Hz磁刺激安静状态与假刺激状态无诱发电位,磁刺激状态主要诱发产生P300成分,体感诱发电位和其他诱发电位得到抑制;假穴状态除产生P300,另外产生明显体感诱发电位和其他诱发电位.对刺激状态和假穴状态的脑电信号进行脑源定位,经过主成分分析确定有两个偶极子源,磁刺激状态偶极子源定位于额颞区,假穴状态偶极子分布较分散.说明采用磁刺激人体神门穴对脑电信号有明显抑制,与进行针刺或电刺激同样具有调节神经功能的作用. 相似文献
26.
脑疲劳是长期脑力活动产生主观疲劳的状态,是影响脑力工作者健康的核心问题,但其对大脑信息传递整合过程的影响至今尚不清楚。因此本文采用相位–幅值耦合(PAC)方法对脑疲劳前后theta节律和gamma节律的脑电进行研究,以更好地解释脑疲劳对大脑信息传递机制的影响。实验采用4小时专业科技英语阅读诱发脑疲劳,利用脑电仪记录了14名男性在校本科生志愿者在脑疲劳前后的脑电信号。使用相位–幅值耦合方法进行分析,并对结果进行了t检验。结果显示,全脑区域90%以上电极的theta相位共同调制右侧中央区和右侧顶叶区电极的gamma幅值,并且这种耦合作用在脑疲劳后显著下降(P0.05)。本研究表明theta-gamma之间的相位–幅值耦合变化能更好地解释脑疲劳对大脑信息传递整合机制的影响,有望成为一种新的脑疲劳检测指标,同时也为神经调控缓解脑疲劳的效果提供了评价手段。 相似文献
27.
电磁场(EMF)作用对神经系统功能的影响,现已成为电磁生物效应领域广泛关注的问题。本文旨在从神经信息网络连接角度探究工频EMF长期作用对大脑认知功能的影响及其机制。本文将斯普拉格·道利(SD)大鼠随机分为3组,其中模型Ⅰ组将SD大鼠置于2 mT工频EMF中作用24 d;模型Ⅱ组将SD大鼠置于2 mT工频EMF中作用48 d;对照组SD大鼠未经工频EMF作用。随后,采集不同组别SD大鼠执行工作记忆(WM)任务过程中前额皮层(PFC)16通道的局部场电位信号(LFPs),并基于定向传递函数(DTF)构建LFPs因果连接网络,最终通过对比各组SD大鼠在WM过程中LFPs信号因果网络特征参数及行为学表现的异同,探讨工频EMF长期作用对WM的影响。本文研究结果显示,模型Ⅱ组大鼠执行WM任务达到正确率80%以上所需时间及次数明显多于对照组。WM任务中,模型Ⅰ、Ⅱ组因果网络连接强度及全局效率值均明显低于对照组;且模型Ⅱ组中因果网络连接密度值明显低于模型Ⅰ组及对照组。结果表明,经2 mT工频EMF的长期作用,PFC的LFPs信号间因果网络连接强度及全局效率降低,并影响SD大鼠的行为学表现。本文的研究结果从神经网络信息传递的角度揭示了工频EMF作用影响大脑认知功能的可能机制,可为进一步研究其作用机制提供重要的支持。 相似文献
28.
P300电位的个体差异导致基于该电位的脑-机交互系统需要每位被试的大量训练数据来构建模式识别模型,引起被试的训练疲劳,并可能由此导致系统性能降低。TrAdaBoost是一种把源领域的知识迁移到目标领域,进而使目标领域能获得更好的学习效果的迁移学习方法。本研究针对P300电位的跨脑辨识问题,提出基于TrAdaBoost的线性判别分类算法和支持向量机,将同被试的少量数据训练的分类器与不同被试的大量数据训练的分类器按权重组成融合分类器。与只采用少量同被试数据或者混合不同被试数据来直接进行训练的传统学习方式相比,本文算法在少量样本情况下将准确率分别提高了19.56%和22.25%,信息传输率分别提高了14.69 bits/min和15.76 bits/min,有望提高脑-机交互系统对被试个体差异的泛化能力。 相似文献
29.
虚拟现实可以提供用户关于视、听、体等感官的模拟体验,使其产生沉浸感。随着虚拟现实的迅速普及,佩戴虚拟现实设备引起的脑疲劳问题受到广泛关注。选取16名健康受试者,同步采集观看相同题材传统平面及虚拟现实视频时的脑电信号。首先采用主观问卷对被试者的脑疲劳程度进行分析,使用判断疲劳标准的视屏终端综合症的主观问卷(VDT)和主观疲劳状态量表(SPFS)之后,对比分析两种观看方式引起脑电信号中α、β、θ和δ各波段相对能量以及疲劳因子R值和重心频率的变化差异。结果发现:在VDT主观问卷和SPFS主观量表中,被试观看虚拟视频后的平均分值为0.44±0.22和3.28±1.03,相比观看传统平面视频后的平均分值0.31±0.20和2.26±0.98有显著性增加(P<0.05);在脑电信号的分析中,观看虚拟现实视频后,T3电极位置的α波段相对能量显著减少(观看前后分别为0.249±0.007和0.234±0.005,P<0.05),δ波段相对能量显著性增加(观看前后分别为0.295±0.012和0.314±0.007, P<0.05),重心频率显著性降低(观看前后分别为(7.545±0.950)Hz和(3.717±0.398)Hz, P<0.05),并且这些参数的变化趋势与观看传统平面视频后的参数变化显著不同,呈现出相反的变化趋势;观看虚拟现实视频过程中,脑电信号中的α波段和β波段变化明显,左右后颞叶区和顶叶区到枕叶区中的α波相对能量随时间变化波动下降,β波相对能量随时间先增加后减少,有显著性差异(P<0.05)。相比观看传统平面视频,观看虚拟现实视频更容易从主观感受上产生脑疲劳,脑电信号中特征频段的节律活动变化可以为客观评估虚拟现实引起的脑疲劳提供理论依据。 相似文献
30.
运用深度学习的方法基于脑部CT扫描图像合成相应的MRI。将28例患者进行颅脑CT和MRI扫描得到的CT和MRI的断层图像进行刚性配准,随机选取20例患者的图像输入U-Net卷积神经网络进行训练,利用训练好的网络对未参与训练的8例患者的CT图像进行预测,得到合成的MRI。研究结果显示:通过对合成的MRI进行定量分析,利用基于L2损失函数构建的U-Net网络合成MRI效果良好,平均绝对平均误差(MAE)为47.81,平均结构相似性指数(SSIM)为0.91。本研究表明可以利用深度学习方法对CT图像进行转换,获得合成MRI,现阶段可以达到扩充MRI医学图像数据库的目的,随着合成图像精度的提高,可以用于帮助诊断等临床应用。 相似文献