一、FUNCTIONAL BRAIN IMAGING BASED ON EEG AND MEG(论文文献综述)
孙婕[1](2021)在《基于排列熵的老化及阿尔茨海默症患者大脑复杂度研究》文中研究表明脑老化是一个复杂的、不可避免的生物学过程,对大脑成熟和衰老生长曲线的研究可以探索人脑老化机制,有助于对老年性认知疾病的早期干预。阿尔茨海默症(Alzheimer’s Disease,AD)是一种起病隐匿的且与认知能力相关的老年性神经退行疾病,从早期轻度认知损害(Early Mild Cognitive Impairment,EMCI)到晚期轻度认知损害(Later Mild Cognitive Impairment,LMCI),最终发展为AD。发现早期病变标志有助于痴呆前期干预,因此脑老化及老年性神经疾病的研究是医学、计算机、生物医学工程等交叉领域的研究热点之一。大脑是一个非线性复杂系统,复杂度是探索大脑的一种新指标。研究人员对不同模态下AD患者大脑复杂度进行分析,发现AD相对于正常对照组(Normal Control,NC)复杂度显着下降。但是目前的脑老化研究多使用脑网络技术,缺少复杂度方面的研究,导致老化到老年疾病缺少复杂度的延续性研究。排列熵是一种常用的复杂度分析方法,能够刻画非平稳信号的无序性和混乱程度。本文采用排列熵(Permutation Entropy,Per En)方法,从体素和模块两个角度研究脑老化和AD患者大脑复杂度的变化。首先使用NKI-RS数据库研究脑老化的变化曲线,接着研究AD的复杂度异常模式,并与已有的AD复杂度文献进行综合分析,最后利用复杂度指标进行AD辅助分类。主要研究内容如下:(1)采用回归及聚类分析,研究老化过程中大脑复杂度变化。老化过程中每个脑区、脑组织的老化时间不完全一致,本研究以Per En为指标,探讨生命周期中大脑复杂度的变化模式。采用回归分析发现大部分脑区老化呈倒U型趋势,其老化年龄从25到51不等。通过对老化趋势进行聚类分析,发现了四种老化基本模型。(2)采用方差分析,结合基因信息研究阿尔茨海默症患者大脑复杂度变化。AD是较为常见的老年性疾病,研究人员发现载脂蛋白E(Apolipoprotein E,APOE)ε4是AD的主要遗传影响因素。但APOEε4基因与AD患者的大脑复杂度的关系还是未知的。本研究将排列熵与基因相结合,研究了携带APOE载体的NC、EMCI、LMCI和AD与未携带者复杂度的差异。结果发现,主要差异出现在额上回、枕中回和顶叶。(3)采用PRISMA(The Preferred Reporting Items for Systematic Reviews and Meta-Analyses)技术,综合分析不同模态下阿尔茨海默症大脑复杂度的变化。虽然已有一些AD不同模态复杂度方面的研究,但研究结果比较凌乱,缺少全面的综述分析。本研究对2000-2021年的相关研究进行文献综述。通过系统文献分析,揭示AD患者大脑功能障碍的模式,探讨复杂度是否可以作为一种AD神经功能损害的影像学标志物。分析结果表明,已有研究对AD患者的脑电和脑磁信号进行分析,本研究与已其研究结果基本一致:AD患者与NC相比信号复杂度较低,差异主要分布在左顶叶、枕叶、右额叶和颞叶,说明复杂度有可能作为一种AD神经功能损害的影像学标志物。(4)结合基因信息和复杂度指标,实现基于支持向量机(Support Vector Machine,SVM)的阿尔茨海默症患者分类模型。在前述研究基础上,利用复杂度并结合基因信息,训练基于SVM的AD分类模型,进行了AD患者早期干预诊断探索研究。分类结果表明,加上基因信息后,分类准确率相较于已有研究均显着提高,进一步说明了综合基因信息的复杂度有可能可以作为一种AD神经功能损害的影像学标志物。
李红权[2](2021)在《基于fNIRS的在线下肢运动想象解码及运动康复研究》文中指出相比于脑电(EEG)而言,由功能性近红外光谱(fNIRS)驱动的脑机接口(BCI)技术作为一种颠覆传统的脑机交互方式,有望为严重影响生活质量的下肢功能障碍患者提供一种可选的主动康复训练方法,因而得到越来越多的研究人员的青睐。现有的基于fNIRS-BCI多为离线研究,并且分类性能有待提高。本文不仅在离线研究的基础上提高了基于fNIRS-BCI系统的分类准确率,还在此基础上搭建了在线系统,对下肢运动想象任务进行了在线解码。本文的主要研究内容如下:(1)基于fNIRS和类相关的稀疏表示解码步行想象和空闲状态(两分类)研究。采集了受试者在步行想象和空闲状态下的fNIRS信号,对信号进行预处理之后,提取了氧合血红蛋白(Hb O)均值、峰值、均方根及其组合特征,使用类相关的稀疏表示(cd SRC)对提取的特征进行分类,并将cd SRC的分类结果与支持向量机(SVM)、K近邻(KNN)、线性判别分析(LDA)和逻辑回归(LR)分类结果进行比较。结果发现,cd SRC能显着提高步行想象和空闲状态的可分性(p<0.05),可望为运动功能障碍患者提供康复训练的机会。(2)在此前两分类研究的基础之上,进一步研究基于fNIRS和cd SRC解码三类步态想象(正常步态想象、中风后异常步态想象和空闲状态)。综合提取了Hb O信号均值、峰值、均方根及其组合特征,对比了cd SRC、SVM和KNN不同分类器对三类步态想象的分类性能。结果发现,cd SRC解码Hb O信号均值、峰值和均方根组合特征取得的分类准确率最高,为87.39±2.59%。基于fNIRS识别步态想象可以应用于BCI系统以提供新的控制指令。这种类型的BCI可以为残疾人提供主动的康复训练方法,例如为机械假肢提供控制指令,使残疾人可以进行主动的康复训练以恢复其某些运动功能。此外,据我们所知,本研究是首次将cd SRC用来对基于fNIRS识别三类步态想象。(3)在上述离线研究的基础上,进一步研究了基于fNIRS的三类下肢运动想象的在线解码。要求受试者执行抬左腿想象,抬右腿想象和空闲状态任务。信号预处理后,提取Hb O信号均值、峰均和方根组合特征。使用cd SRC进行分类,并使用从分类中获得的控制命令实时控制人形机器人。受试者的抬左腿想象,抬右腿想象和空闲状态分别对应于人形机器人前进,后退和停止。这项研究有望为运动功能障碍患者提供辅助康复训练,也有望用于控制轮椅,为失去运动功能的患者提供便利。此外,该研究是首次对三类抬腿想象进行在线解码,结果表明基于fNIRS-BCI的三类下肢运动想象的在线解码是可行的。
王馨苑,刘琰,谭曦[3](2021)在《抑郁症脑成像技术和核脑影像成像技术的研究进展》文中认为抑郁症患病率、复发率、误诊率和自杀率均较高,给患者家庭及社会带来深重负担。近年来神经科学及脑影像学的发展为抑郁症的辨识、诊断、发病机制及治疗研究提供了新的方法与思路,也为抑郁症的物理治疗学发展提供了科学依据。目前,抑郁症的影像学研究主要分为脑成像技术、核脑影像成像技术两大类。本文主要分析了近年来抑郁症脑成像技术和核脑影像成像技术的研究进展及其优劣势、存在的问题等,以期为临床更好地对抑郁症进行诊疗提供参考。
李玉[4](2020)在《基于fNIRS脑机接口系统研究》文中认为基于功能性近红外光谱(fNIRS)的脑机接口是一种新型的人机交互手段。其中基于fNIRS运动想象脑机接口是一种重要脑机接口,具有广泛的应用前景。现有基于fNIRS运动想象的脑机接口主要识别不同肢体的运动想象,生成外部设备控制指令有限。且该类脑机接口多为离线研究,为了使该类脑机接口具有实用性,需要进行在线任务识别研究。另外,已有研究忽视了神经反馈对运动想象脑机制的调节作用,以此提高运动想象动作的控制精准度。本文在已有研究的基础上主要做了以下研究:(1)基于fNIRS识别单个肢体三种想象动作研究。该研究中采用足球运动中传球、停球和射门这三种动作作为实验运动想象任务,让受试者在任务期间根据提示想象右脚三种动作。研究中提取了不同任务信号间的相关系数作为识别的新特征。最后,采用支持向量机对三种任务进行分类,达到了78.89%±6.161%的分类准确率。除此之外,研究提取常用的信号均值和信号斜率分别进行任务识别。研究结果表明单个肢体不同运动想象的fNIRS具有可分性,这可望为fNIRS-BCI增加新的控制命令。此外表明相关系数可以作为一种有效的特征。(2)搭建基于fNIRS脑机接口在线系统。本部分利用现有功能性近红外光设备,搭建实验需要的在线脑机接口系统。设计了系统实时任务数据的获取、实时信号处理与特征提取、实时分类识别和实时指令发送四个部分以及各部分所采用的方法。经过测试,所搭建的在线系统可用于功能性近红外光谱脑机接口在线研究。(3)基于fNIRS在线运动想象脑机接口研究。本部分使用搭建好的实验平台进行在线fNIRS-BCI研究。实验设计了关于右手握拳和右前臂向左运动的实验范式,测试本文搭建的在线系统的性能。实验得到了72.25%±0.004%的分类准确率。结果验证了所开发的基于fNIRS在线运动想象脑机接口系统的良好性能,同时验证了在线脑机接口的可行性,有望进行一定的实际应用。(4)基于fNIRS神经反馈控制运动想象动作研究。实验设计了左右手运动想象和双脚运动想象分别对应机器人左转45°、右转45°和前进一步的控制指令。实验时,受试者随机分为实验组和对照组。通过比较神经反馈训练前后的分类准确率和实验组与对照组的分类准确率测试效果。实验结果表明通过神经反馈训练可以提高对运动想象动作控制和塑造及调节大脑运动想象动作机制。
王恩慧[5](2020)在《基于EEG-fNIRS的情绪识别系统研究》文中认为情绪来源于心理层面,是指人类个体对于外部事物的态度体验,广义上可将情绪量化为正性情绪和负性情绪。当前,随着工业4.0和中国制造2025计划的快速推进,在智能机器人、工业互联网和人工智能等核心领域,情绪识别技术的应用越来越广泛。此外,当今社会巨大的工作和生活压力,使得患有抑郁症和焦虑症等心理疾病的患者人数呈急剧上升趋势,因此,对于以负性情绪为特征的心理疾病的诊断和治疗已经成为临床工作的重点。情绪识别的方法可分为三种,第一种方法是基于面部表情或语音语调实现情绪识别;第二种方法是依据心电、肌电、脉搏等外围生理信号实现情绪识别;第三种是依据中枢神经系统信号,借助无创式的脑功能检测技术识别情绪。在依据中枢神经系统信号识别情绪的研究中,基于脑电图(Electroencephalogram,EEG)的情绪识别是常被采用的一种方法,可以通过提取多维的EEG特征和复杂的算法实现情绪分类,其缺点是对脑活动的表征不够直观,缺少对情绪诱发效果的分析。近年来功能性近红外光谱技术(functional Near-Infrared Spectroscopy,fNIRS)成为新兴的脑功能检测方法,虽然将其应用在情绪识别的研究还在初期阶段,不能达到较好的识别效果,但是fNIRS可以直观地表征脑活动变化,在分析情绪诱发效果这一问题上具有优势,可弥补基于EEG的情绪识别方法的不足。此外,EEG和fNIRS两种检测技术彼此之间没有相互干扰,可实现同步测量,且都可实现便携式。因此本文研究了一种基于EEG-fNIRS的情绪识别系统,分析情绪刺激实验的诱发效果,实现正性和负性情绪分类。本文的主要工作包括,首先,设计了16通道的脑电信号和8通道的脑血氧信号同步采集系统;其次,利用修正朗伯比尔定律计算脑血氧变化量,提取脑血氧数据的统计特征和变化趋势特征;然后,提取脑电的时域、频域、时频域、空间域特征,采用主成分分析方法实现脑电特征降维,利用支持向量机建立EEG情绪分类模型;最后,根据基线数据和刺激数据的脑血氧特征的差值,分析情绪刺激实验是否成功诱发被试者产生情绪变化,筛选出成功诱发的实验数据,再利用EEG情绪分类模型对正性情绪和负性情绪进行分类。本文完成了包括硬件检测平台和上位机处理平台的EEG和fNIRS信号同步采集系统设计,通过情绪刺激实验,证明了提取的脑血氧特征可有效地判断情绪刺激实验的诱发效果,结合脑血氧特征和EEG情绪分类模型可有效地实现情绪分类,提高分类准确率。
邵南[6](2020)在《机器翻译错误实例分析及相应译前、译后编辑策略》文中研究说明本文所选翻译实践材料来自The Human Brain Book,该书出版于2019年,系统地介绍了人脑及神经系统,涵盖了最新的前沿科研成果,属于科普文本,包含许多人脑及神经学相关术语。本文以该书节选部分的翻译实践为语料,将机器翻译与人工翻译译文进行对比,找出对机器翻译过程中出现的错误并对其进行分类分析,探讨造成这些错误的主要原因并尝试提出修改建议,希望能够对翻译从业者的翻译实践提供一些借鉴和参考。以神经网络系统为基础的机器翻译,虽然在很大程度上提高了译者的翻译效率和准确度,但仍存在一些问题。本文将这些问题进行归纳,总结为三大类,第一类是术语翻译的问题,包括专业术语词组误译以及非专业术语术语化词汇误译。在翻译The Human Brain Book过程中,机器翻译的术语翻译准确率可达88%,虽然较统计算法为基础的机器翻译系统有了很大提升,但仍无法完全依赖机器翻译处理术语,仍需要借助专业词典的辅助;第二类为主语识别错误。机器翻译在处理主语的过程中经常出现错误,如主语识别错误,主语重复问题以及主语位置错误,而其中最为常见的是由于主语识别错误所导致的误译,而导致这一情况的原因多种多样,包括代词、连词、“the”的特指意义的漏译、被动句、动词不定式以、动名词、从句、以及表示存在意义的“There be”句型;第三类是逻辑错误。插入语与连词经常导致机器翻译出现逻辑错误。在第二、三类错误中,一些句子成分如插入语和从句将句子分成不同的部分,给机器翻译带来困难。在这种情况下,可以应用预编辑从源文本中删除这些句子成分,并在后编辑中将它们添加到机器翻译文本中的适当位置;而一些英语句子结构中含有代词、被动动词、动词不定式和动名词,这些句子结构常会导致机器翻译无法为句子或短语匹配真正的主语,从而导致错误或模糊的翻译结果。在这种情况下,诸如在原文中补足主语等译前编辑方法有助于提高后期编辑效率和准确率;此外,机器翻译中的其他错误,例如主语定位错误、主语重复错误和逻辑错误,要求译者采用灵活的译后编辑策略对机器翻译进行修改。
贾会宾[7](2020)在《孤独症谱系障碍患者脑成像信号的时空间特征分析》文中进行了进一步梳理孤独症谱系障碍(Autism Spectrum Disorder,ASD)会严重损伤患者的社会与认知功能,因此了解其脑机制极为必要。相比于传统的基于问卷和行为观察的研究手段,基于现代神经影像学的研究技术有望为ASD的脑机制研究和诊断提供更为客观的指标。但是,前人的ASD脑机制研究至少具有如下几点局限性:(1)使用的指标重测信度可能较低;(2)没有综合考虑空域与时域信息;(3)现有方法提供的可能是有偏估计;(4)缺乏各种模态信号之间的相互比较。针对上述几点局限性,本研究使用检测大脑慢速血液动力学信息的f MRI/f NIRS技术以及测量大脑快速电生理活动的EEG技术研究了三个层面的脑活动时空间特征,即单个节点瞬时活动幅值的时间动力学特征、脑功能网络内部各个节点的空间组织模式以及脑功能网络相互转换的时间动力学特征。在探究ASD患者第一个层面脑活动时空间特征(即单个节点瞬时活动幅值的时间动力学特征)时,首先我们考查了用于评估脑区瞬时幅值长程时域相关性的去趋势波动分析(Detrended Fluctuation Analysis,DFA)技术的重测信度(研究一A)。我们发现DFA技术具有中等程度的可靠性。接着,DFA技术被用于考察ASD患者多种模态信号瞬时幅值的时间动力学特征(研究二A、研究三A和研究四A)。对静息态f MRI信号的分析发现,ASD组被试属于默认网络的4个前额叶脑区信号的DFA指数显着低于正常发育(typical developing,TD)组被试。对f NIRS信号的分析发现:(1)ASD组儿童f NIRS信号的DFA指数显着低于TD组儿童;(2)TD组儿童f NIRS信号的DFA指数随着年龄的增长而增长,ASD组儿童f NIRS信号的DFA指数随着年龄的增长而降低;(3)ASD组儿童f NIRS信号的DFA指数与孤独症症状严重程度显着负相关。对静息态EEG信号的分析发现ASD患者默认网络、镜像神经元系统和突显网络相关脑区活动的DFA指数显着更低。上述三种模态信号的分析结果均提示如下结论,即ASD患者的脑活动表现为高度不稳定的、随机的、不规律的特性。在探究ASD患者第二个层面脑活动时空间特征(即各个节点的空间组织模式)时,首先我们考查了空间复杂性分析技术的重测信度(研究一B)。我们发现,可提供无偏估计的、基于标准熵的标准化空间复杂性具有较高重测信度且不低于传统的Omega复杂性。接着,标准化空间复杂性被用于考察ASD患者多种模态信号脑区间的空间组织模式(研究二B、研究三B和研究四B)。对静息态f MRI信号的分析发现:(1)与TD组相比,ASD组被试默认网络空间复杂性显着更高,这提示ASD患者默认网络内部信息沟通异常;(2)与TD组相比,ASD组被试前部内侧前额叶皮层在降低默认网络的空间复杂性上的作用显着更低,这可能导致患者不能有效地进行自我相关信息的加工,并进而影响他们的社会认知和交流能力。对f NIRS信号的分析发现:与TD组相比,ASD组儿童双侧前额叶内部的空间复杂性显着更高、双侧前额叶在降低全脑整体空间复杂性上的作用更低,这表明ASD儿童前额叶内部各个区域间信息沟通不畅且前额叶与大脑其余脑区的联系亦存在异常。对静息态EEG信号的分析发现:ASD患者镜像神经元系统相关脑区在降低脑功能网络空间复杂性上的贡献显着更低,而视知觉相关脑区反而更高,这可能导致ASD组儿童不能有效地加工社会认知信息,并表现出特定的视知觉加工优势。上述三种模态信号的分析结果揭示了如下结论,即ASD患者脑区间空间组织模式异常。在探究ASD患者第三个层面脑活动时空间特征(即脑功能网络相互转换的时间动力学特征)时,我们对静息态EEG数据进行了微状态分析(研究四C)。该研究发现:ASD患者用更少的时间进行语音和自我心理表征相关信息加工、更频繁地进行视觉加工,且大脑腹侧网络激活异常。上述几个研究对脑成像技术重测信度进行了深入考查,并拓展了我们对ASD脑机制的认识。本研究有如下发现:首先,ASD患者的脑活动表现为高度不稳定的、随机的、不规律的特性,且上述异常主要发生在与其症状表现密切相关的脑区。其次,ASD患者症状相关脑区与其他脑区的信息交流效率相对较低、一些在社会信息加工中起重要作用的脑区在ASD患者大脑空间组织中处于较为次要的地位。最后,ASD患者大尺度脑功能网络间相互转换的时间动力学特征异常。
赵琪[8](2020)在《夹持状态的fNIRS识别方法研究及移动平台的脑机控制实现》文中研究表明随着社会的不断发展,世界人口老龄化现象愈发明显,而老年人群都不可避免地面临着运动障碍以及心脑血管疾病。除此之外,经济发展所带来的空气污染和快节奏生活也造成越来越多的年轻人遭受心脑血管疾病折磨。帮助患者回归正常人的生活,对于他们的家庭和整个社会而言都有着极其重要的意义。目前,脑-机接口系统作为一种前景大好的技术已经被广泛用于康复训练,同时也取得了不少令人欣慰的成果。然而,大多数脑-机接口研究在实验设计上,会对模式进行固定和限制,特别是在患者康复的动作设计上,与实际应用相差甚远。研究者往往倾向于关注从休息到运动的变化,而很少有人去关注运动任务中动作目标是否实现,以及何时实现。因此,本课题采用基于功能性近红外光谱的脑-机接口技术实时地监测被试在完成动作目标时的大脑血氧信息,根据受试者的大脑信息判断是否达到任务的动作目标,根据状态实时调整辅助设备(如机械手或橡胶手套)的驱动力,使得患者自身的力量结合设备辅助力达到最佳夹持力度,基于大脑信息实现脑-机控制闭环和手功能的智能康复训练。另外为了填补之前研究的空白,在实验设计方面相应减少了限制,只给出了动作任务的最终目标。本文的主要研究内容及方法如下:(1)实验中要求47名被试用筷子夹持乒乓球,不限制夹持力度,将夹持住乒乓球作为动作目标,实验过程中应用近红外脑成像设备记录被试的大脑血红蛋白信息。这里通过夹球的方式增加任务难度模拟患者夹取物体的困难度,通过分析夹球过程以及夹到球之后的血氧信息,动态识别被试是否达到任务的动作目标。(2)在夹持意图的识别方面,为了提升算法的快速性,我们通过计算Teager-Kaiser能量算子作为特征。考虑到样本量过大且不均衡,所以在建模任务中,采用了随机森林(Random Forest)算法的决策模型。随机选取了 37位被试的数据作为交叉验证样本,其余10位被试则用作模型的测试集。用随机森林模型,得到交叉验证集的平均识别率为99.04%,测试集的平均识别率为95.00%。(3)提出了任务动作目标达到与否的识别方法。为了保证数据处理的时效性,采用了滑窗处理的方法。总共,计算了常用的6个时域特征及通道间的相关特征作为模型的特征。课题同时采取支持向量机与长短期记忆网络两种不同的二分类处理算法进行建模,选择最优模型,并进一步进行参数优化。最终使用GA-SVM模型,得到交叉验证集的平均识别率为94.76%,测试集的平均识别率为85.83%。(4)为了验证算法的可行性,自行搭建了满足夹持动作意图和达标意图验证要求的平台,实现了在空间X、Y方向的实验验证。最终,在线验证的夹持意图和目标达成状态识别的识别率依次为92.34%与73.26%。结果表明,应用近红外技术进行运动任务动作目标的在线判别是可行的。本课题基于功能性近红外光谱成像技术,探索了人体在达到任务动作目标时大脑的血氧信号变化情况,建立了夹持意图模型以及动作目标状态识别模型,初步实现了夹持任务动作目标的动态判别。这些工作可以为今后脑-机接口康复的研究和应用提供理论基础和技术原型,旨在推动脑-机接口向新的应用方向发展。
姚文坡[9](2019)在《生理时间序列的符号化和非线性特征分析》文中进行了进一步梳理人体是多个非线性生理系统构成的综合体,生理系统之间、器官之间以及器官的不同成分之间都存在不同程度的非线性相互作用。如何通过表征生理系统本身的非线性特征以及生理系统之间相互作用的改变来评估不同的生理、病理状态是生理系统非线性分析的根本问题。本文利用符号化方法简化生理时间序列非线性分析中的概率估计,并按照生理变量增加的研究主线分别从单一变量的非线性特征(符号熵值分析和时间不可逆)、双变量的因果关联性(符号转移熵)和多变量之间的交互关系(网络方法)三个角度对不同生理、病理的时间序列进行非线性特征分析,具体如下:首先,针对符号化对时间序列分析的影响,利用Logistic序列和心率信号对静态和动态符号熵值方法的非线性复杂度提取效果进行了系统的对比分析,充分验证了控制参数对时间序列符号化的影响,并发现需要根据时间序列的结构化或动力学特征的不同选择相应的符号化方法。文章发现了心率信号中大量存在的等值状态,并论证了等值分布包含的重要的心脏调节信息及其对排列类型和排列熵的影响。另外,针对如何结合静态、动态符号动力学信息的问题,从符号化、编码和序列分析三个途径总结了可使用的方法,提出了利用联合熵将两种类型的符号序列相结合的方法,更有效地提取了心率信号的非线性特征,并发现静态和动态符号化方法提取的符号动力学信息不同。心率信号的符号熵值分析有助于加深对心脏非线性特征的认知以及对心衰、年老相关的复杂度丢失理论的理解。其次,针对心率和脑电信号时间不可逆的量化分析,发现了时间不可逆统计定义和相空间理论在数学上的相似性,论证了利用排列类型代替高维向量的可行性,指出并验证了正反序列联合概率差异性和序列对称向量概率差异性的一致性,论证了空排列包含的系统非线性特征及其对时间不可逆分析的影响,提出了基于减法的排列概率差异性参数Ys。在癫痫脑电信号分析中,验证了脑电信号固有的非线性特征,发现了癫痫发作期脑电信号异常高的时间不可逆,提出了癫痫脑电周期性非线性特征的假设。在心率信号的非线性分析中,研究了等值状态对基于排列类型的时间不可逆的影响,发现等值排列类型可产生意味着时间可逆的自对称形式,论证了基于等值排列的时间不可逆有更加合理、可靠的非线性特征提取效果。另外,论证了多尺度分析对心率等值分布的影响,讨论了香农熵和时间不可逆在非线性特征分析中的差异性。心脏和大脑单一器官的时间不可逆分析为理解复杂生理系统的非平衡性以及相关生理、病理的特征等提供了帮助。再次,针对不同睡眠状态下心脑信号之间关联性的特征,利用静态和动态符号转移熵量化方法进行了研究,并从系统的动态关联性以及相互之间信息量的影响两个角度对转移熵进行了解析,研究了心脏和大脑信号之间以及心电信号和不同波段的脑电活动之间存在的信息交换量,发现心脑信号之间信息关联性随着睡眠的加深而降低,而心电信号和不同脑波段的信息交换量随着频段频率的增加而增加。心电信号至脑电的信息流受睡眠影响更大,因而能更加有效地反映睡眠状态的变化,并且心电活动至脑电信号的信息量高于反向脑电至心电信号的信息量,表明在心脑信号的信息交互作用中,心脏活动是驱动因素,而脑电活动是响应因素。另外,对符号序列编码、排列和相空间、采样频率之间的理论和应用中的关系进行了充分的讨论。心脑信息关联性的量化分析提供了对心脑信号之间因果关系的新认识,并且为睡眠分期的研究提供了有价值的信息。最后,针对多生理变量的网络关联性,利用排列转移熵量化生理节点之间的连接并构建了有向加权的生理网络,分析了癫痫脑网络和睡眠生理器官网络的统计特征。在脑信息网络中,癫痫患者脑通道之间、各个脑区和整个大脑的信息传输总量以及信息流概率分布的香农熵值都低于健康人,表明癫痫抑制了不同脑区之间的信息交换以及脑区交互活动复杂度。在生理器官网络中,器官之间信息传输量以及各器官的信息流入、流出信息总量和信息交互的复杂度都随着睡眠深度的增加而降低,表明人体各器官在睡眠状态下存在普遍的信息交互关联性,但是器官之间信息交换的活跃度会随着睡眠的加深而有所下降。另外,结合癫痫和睡眠的生理、病理特点,讨论了生理信息交换网络的特征。脑网络和生理器官网络的分析对探索生理系统中复杂的相互作用的本质以及了解相关癫痫和睡眠的特点起到重要的作用。本文在生理时间序列的符号化和非线性特征分析中,提出了符号联合熵和基于排列的时间不可逆分析,验证了符号化和等值心率对非线性分析的重要影响,提出了癫痫脑电周期性非线性特征的假设,研究了生理器官之间的关联性并构建了生理信息交换网络,取得一定成果但也发现一些需要进一步研究的问题。
魏慧琳[10](2020)在《多模态脑成像的有效连接分析》文中进行了进一步梳理有效连接作为脑功能整合分析中的一项重要内容,能够揭示大脑神经信号间连接关系的因果效应信息。功能磁共振成像(fMRI)和脑电图(EEG)是两类广泛应用的非侵入式脑功能成像技术,能分别提供高空间分辨率和高时间分辨率的数据表达。本文聚焦有效连接分析方法,并围绕功能磁共振成像和脑电图两类数据,开展多模态脑成像有效连接分析的方法学与应用研究。主要内容如下:功能磁共振成像的多变量时-频格兰杰因果连接分析。在本研究中,我们首次提出了时域与频域相结合的多变量格兰杰因果连接分析方法。该方法的核心优势在于:第一,采用代理数据法完成了不满足已知分布的格兰杰因果度量指标的组水平显着性检验;第二,仿真实验证明时域与频域的双重验证提高了分析结果的准确率并排除了间接因果关系的影响。在方法的应用研究方面,我们开展了特发性全面性癫痫患者核心神经认知网络间有效连接的异常模式研究。该类癫痫疾病患者遭受着长期的认知功能损伤,并且相比于正常人呈现出较高的心理与精神类疾病发病率,我们猜测,这些认知功能异常和高的患病风险有可能与病人存在的脑网络间异常的因果连接模式相关。为了验证这一假设,我们基于特发性全面性癫痫病人和健康对照的静息态功能磁共振数据,分析了两组被试在凸显网络、默认模式网络和中央执行网络间的有效连接差异。采用本文提出的方法,我们首先获得了病人组和正常对照组内的显着有效连接图谱,发现病人组相比于健康对照组建立了更少的网间有效连接。进一步,组间统计学分析的时频结果共同揭示出相比于正常被试,癫痫病人建立了从背外侧前额叶皮层到背侧前扣带回的增强的格兰杰因果连接,而时域分析还揭示出从右侧额岛皮层到后扣带回的减弱的格兰杰因果连接。这些发现为理解该疾病与认知功能异常及精神病理学高患病风险相关的脑功能结构提供了新的依据。多模态动态因果建模与贝叶斯融合。该工作探究了与单个模态相比,整合多模态EEG和fMRI数据是否能够更好地表征大脑的功能性结构。首先,基于“EEG和BOLD信号都是相同的神经元活动的可观测结果”这一认知,我们建立了一种多模态动态因果建模生成模型。随后,在这一模型基础上,我们提出了进行多模态数据融合的分析方法,即贝叶斯融合。具体地,多模态动态因果建模从相同的神经元动力学过程生成EEG和fMRI数据,贝叶斯融合则首先根据EEG数据的动态因果建模分析获得具有丰富信息量的神经元参数先验,再将其应用于随后的fMRI数据的动态因果建模分析中去获取血氧动力学参数的估计。为了验证上述方法,我们使用生物学合理的模型参数生成了失匹配负波任务范式的多模态EEG和fMRI数据集,并在此数据集上开展了动态因果建模分析与贝叶斯融合。结果显示,EEG和fMRI的贝叶斯融合方法相比于单模态分析支持效果更好的模型参数估计,这一评估反映在自由能的增加,真实信号与预测信号间更好的匹配度,以及参数后验方差的减小(说明对模型参数估计不确定性的降低)。最后,我们采用先验密度和后验密度之间的Kullback-Leibler散度(即信息增益)量化了多模态融合的益处,发现贝叶斯融合能够解决神经元参数和血氧动力学参数之间的条件相关性,从而揭示了贝叶斯融合策略能够提供更好的模型参数估计的原因。这些结果表明,贝叶斯融合可以提供一种取长于不同数据模态的互补时间(EEG)和空间(fMRI)精度的有效的多模态融合方法。此外,只要能够搭建起具有相同神经元参数化的多模态动态因果模型,贝叶斯融合方法便可以应用于任何多模态数据集的有效连接分析。静息态功能磁共振成像的频谱动态因果建模分析。这项工作提出了一个功能连接与有效连接相结合的算法:首先,采用功能连接分析进行静息态数据中感兴趣脑区的选定;之后,再在选定的脑区基础上开展有效连接分析,进一步补充探究这些脑区间连接的方向信息。在有效连接分析算法方面采用频谱动态因果建模,该算法计算效率高,是目前动态因果建模在静息态数据分析中的主流方法。最后,针对有效连接参数的组水平分析,我们采用参数经验贝叶斯方法与贝叶斯模型约简。上述方法结合了功能连接与有效连接两类分析,并基于功能连接是有效连接的必要非充分条件这一因素为静息态数据有效连接分析中感兴趣脑区的确定提供了一种新的思路。随后,我们将这一方法应用于出租车驾驶员辅助运动皮层子区与全脑其他脑区间的功能交互研究中。我们发现,与驾驶相关的大脑功能连通性变化仅特定于前辅助运动区,而未扩展至辅助运动区本部;在驾驶员组,前辅助运动区表现出与多个前额叶脑区的增强的功能连接。有效连接进一步刻画了这些连接的方向性,发现前辅助运动区与其余几个脑区间建立了层级网络关系,即前辅助运动区位于高层级,与其余脑区间的连接为抑制性反馈连接。此外,前辅助运动区与左侧额上回的有效连接还具有组别的预测有效性。这些结果表明,后天训练获得的特定技能可以由大脑静息态的功能连通结构进行编码。
二、FUNCTIONAL BRAIN IMAGING BASED ON EEG AND MEG(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、FUNCTIONAL BRAIN IMAGING BASED ON EEG AND MEG(论文提纲范文)
(1)基于排列熵的老化及阿尔茨海默症患者大脑复杂度研究(论文提纲范文)
摘要 |
ABSTRACT |
缩略语表 |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 基于脑影像技术的老化研究现状 |
1.2.2 阿尔茨海默症研究现状 |
1.2.3 问题提出 |
1.3 论文的主要内容 |
1.4 论文的结构安排 |
1.5 本章小结 |
第2章 基于排列熵的老化过程中大脑复杂度研究 |
2.1 常用的复杂度指标 |
2.1.1 传统复杂度指标 |
2.1.2 本研究采用的熵指标 |
2.1.3 排列熵算法 |
2.2 数据介绍 |
2.2.1 数据采集 |
2.2.2 数据预处理 |
2.3 基于体素的大脑复杂度分析 |
2.3.1 复杂度计算及统计检验 |
2.3.2 实验结果 |
2.4 基于模块的大脑复杂度分析 |
2.4.1 功能模板介绍 |
2.4.2 聚类分析 |
2.4.3 统计检验 |
2.4.4 实验结果-全脑轨迹 |
2.4.5 实验结果-功能模块轨迹 |
2.4.6 实验结果-节点轨迹 |
2.5 讨论 |
2.5.1 体素级别与其他研究对比 |
2.5.2 模块级别与其他研究对比 |
2.5.3 青年时期开始老化的功能模块 |
2.5.4 中年时期开始老化的功能模块 |
2.5.5 老年时期开始老化的功能模块 |
2.5.6 线性上升的功能模块 |
2.6 本章小结 |
第3章 结合基因信息的AD患者大脑复杂度研究 |
3.1 数据介绍 |
3.1.1 数据采集 |
3.1.2 数据预处理 |
3.2 基于体素的大脑复杂度分析 |
3.2.1 复杂度计算及统计检验 |
3.2.2 实验结果 |
3.3 基于模块的大脑复杂度变化 |
3.3.1 复杂度计算及统计检验 |
3.3.2 实验结果 |
3.4 结果分析 |
3.5 与其他研究对比 |
3.6 本章小结 |
第4章 AD患者不同模态下大脑复杂度文献对比分析 |
4.1 文献研究 |
4.1.1 文献筛选 |
4.1.2 文献分析 |
4.2 阿尔茨海默症患者EEG信号的复杂度分析 |
4.2.1 脑电信号介绍 |
4.2.2 单通道熵的复杂度分析 |
4.2.3 多尺度熵的复杂度分析 |
4.2.4 频域熵的复杂度分析 |
4.2.5 其他方法的复杂度分析 |
4.3 阿尔茨海默症患者MEG信号的复杂度分析 |
4.3.1 脑磁信号介绍 |
4.3.2 时域熵的复杂度分析 |
4.3.3 频域熵的复杂度分析 |
4.3.4 其他方法中的复杂度分析 |
4.4 阿尔茨海默症患者f MRI信号的复杂度分析 |
4.4.1 功能性磁共振成像介绍 |
4.4.2 复杂度方法分析 |
4.5 文献分析结论 |
4.5.1 复杂度有可能作为AD影像学标志物 |
4.5.2 未来研究方向 |
4.6 本章小结 |
第5章 结合基因信息的AD患者分类模型 |
5.1 数据介绍 |
5.2 特征选择与分类算法选择 |
5.3 实验结果-体素级别分类结果 |
5.3.1 分类准确率 |
5.3.2 分类结果分析 |
5.4 实验结果-模块级别分类结果 |
5.4.1 分类准确率 |
5.4.2 分类结果分析 |
5.5 与现有其他研究分类准确率比较 |
5.5.1 脑电信号中AD患者的分类准确率 |
5.5.2 脑磁信号中AD患者的分类准确率 |
5.5.3 f MRI中 AD患者的分类准确率 |
5.6 本研究的创新点 |
5.7 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
学位期间取得的科研成果 |
致谢 |
(2)基于fNIRS的在线下肢运动想象解码及运动康复研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 脑机接口的组成及研究现状 |
1.2.1 脑机接口的组成 |
1.2.2 脑机接口研究现状 |
1.2.3 常见的脑信号采集方式 |
1.3 运动想象脑机接口 |
1.4 脑机接口的分类 |
1.4.1 侵入式与非侵入式脑机接口 |
1.4.2 同步脑机接口与异步脑机接口 |
1.4.3 诱发式脑机接口和自发式脑机接口 |
1.4.4 在线脑机接口和离线脑机接口 |
1.5 脑机接口的应用 |
1.5.1 脑机接口在康复领域中的应用 |
1.5.2 脑机接口在生活娱乐中的应用 |
1.5.3 脑机接口在军事领域中的应用 |
1.5.4 脑机接口在特殊工业领域中的应用 |
1.6 论文的研究内容及论文结构 |
1.6.1 论文研究内容 |
1.6.2 论文结构 |
1.7 本章小结 |
第二章 基于fNIRS的脑机接口研究基础 |
2.1 fNIRS与其他脑信号采集方式比较 |
2.2 人脑结构和功能分区 |
2.3 fNIRS的基本原理 |
2.3.1 近红外光 |
2.3.2 fNIRS检测技术发展历程 |
2.3.3 fNIRS测量原理基础-光的吸收和散射 |
2.3.4 fNIRS测量原理基础-血流动力学响应 |
2.4 基于fNIRS-BCI的数据预处理、特征提取和分类研究 |
2.4.1 数据预处理 |
2.4.2 特征提取 |
2.4.3 分类 |
2.5 本章小结 |
第三章 基于cd SRC解码两类步行想象和空闲状态 |
3.1 引言 |
3.2 材料和实验设备 |
3.2.1 受试者 |
3.2.2 实验范式 |
3.2.3 受试者步行想象训练 |
3.2.4 实验设备及环境 |
3.3 数据处理 |
3.3.1 fNIRS信号预处理 |
3.3.2 计算Hb O信号的均值、峰值和均方根 |
3.4 分类及结果分析 |
3.4.1 分类结果 |
3.4.2 脑地形图 |
3.4.3 统计分析 |
3.5 讨论 |
3.6 结论 |
3.7 本章小结 |
第四章 基于fNIRS识别三类步态想象和空闲状态 |
4.1 引言 |
4.2 材料及实验设备 |
4.2.1 受试者 |
4.2.2 实验范式 |
4.2.3 受试者步态想象训练 |
4.2.4 实验设备及环境 |
4.3 数据处理 |
4.3.1 数据预处理 |
4.3.2 Hb O信号特征提取 |
4.4 信号分类及结果分析 |
4.4.1 分类结果 |
4.4.2 Hb O浓度响应曲线和脑激活图 |
4.4.3 统计分析 |
4.5 讨论 |
4.6 结论 |
4.7 本章小结 |
第五章 基于fNIRS的下肢运动想象在线分类及运动康复研究 |
5.1 引言 |
5.2 在线系统的搭建 |
5.2.1 系统硬件和软件 |
5.2.2 在线系统结构 |
5.2.3 构建在线实时系统 |
5.3 下肢运动想象在线分类研究 |
5.3.1 受试者 |
5.3.2 实验范式 |
5.3.3 受试者下肢运动想象训练 |
5.3.4 设备和数据采集 |
5.3.5 数据预处理 |
5.3.6 特征提取 |
5.3.7 分类 |
5.4 实验结果与分析 |
5.5 讨论 |
5.6 本章小结 |
第六章 总结和展望 |
6.1 总结 |
6.2 展望 |
6.2.1 基于fNIRS的异步BCI |
6.2.2 超微型化、舒适和美观的fNIRS信号采集设备 |
6.2.3 在线实时的fNIRS-BCI系统 |
6.2.4 fNIRS-BCI与虚拟现实/增强现实(VR/AR)的融合 |
6.2.5 fNIRS-BCI神经反馈的设计和优化 |
6.2.6 结合fNIRS的多模态脑机接口 |
致谢 |
参考文献 |
附录 A 攻读硕士研究生期间取得的成果 |
附录 B 攻读硕士研究生期间参与的项目 |
(3)抑郁症脑成像技术和核脑影像成像技术的研究进展(论文提纲范文)
1 抑郁症的BIT |
1.1 EEG |
1.2 ERP |
1.3 MEG |
1.4 TMS |
1.5 f NIRS |
2 抑郁症的NBIT |
2.1 PET |
2.2 f MRI |
2.3 MRI |
3 小结与展望 |
(4)基于fNIRS脑机接口系统研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 脑机接口组成及研究现状 |
1.2.1 脑机接口组成 |
1.2.2 研究现状 |
1.3 本文研究内容 |
1.4 论文结构 |
1.5 本章小结 |
第二章 基于fNIRS脑机接口基础研究分析 |
2.1 大脑结构与功能 |
2.1.1 大脑的结构 |
2.1.2 大脑皮层功能分区 |
2.2 基于fNIRS原理分析 |
2.2.1 Beer-Lambert定律 |
2.2.2 光的吸收与散射 |
2.2.3 血红蛋白浓度计算 |
2.3 基于fNIRS脑机接口数据处理分析 |
2.3.1 数据预处理 |
2.3.2 特征提取 |
2.3.3 分类方法 |
2.4 运动想象简介 |
2.5 本章小结 |
第三章 基于fNIRS识别右脚三种想象动作研究 |
引言 |
3.1 材料和方法 |
3.1.1 受试、试验范式、试验过程和数据采集 |
3.1.2 数据处理 |
3.2 结果 |
3.3 讨论 |
3.4 本章小结 |
第四章 基于fNIRS运动想象在线脑机接口研究 |
4.1 基于fNIRS脑机接口在线系统搭建 |
4.1.1 设备介绍 |
4.1.2 在线系统框架设计 |
4.1.3 刺激范式设计 |
4.1.4 实时信号采集设计 |
4.1.5 信号在线处理与分类 |
4.1.6 指令发送 |
4.1.7 在线实验界面 |
4.2 基于fNIRS在线脑机接口实验研究 |
4.2.1 受试者 |
4.2.2 实验范式 |
4.2.3 实验过程 |
4.2.4 数据采集 |
4.2.5 数据处理 |
4.3 结果 |
4.4 讨论 |
4.5 本章小结 |
第五章 基于fNIRS神经反馈控制运动想象动作研究 |
5.1 实验材料和方法 |
5.1.1 受试者 |
5.1.2 实验设计 |
5.1.3 实验过程 |
5.1.4 数据采集与数据处理 |
5.2 实验结果 |
5.3 分析与讨论 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录A 攻读硕士研究生期间成果 |
附录B 攻读硕士研究生期间参与的项目 |
(5)基于EEG-fNIRS的情绪识别系统研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文的主要研究内容 |
第2章 情绪和脑电及功能性近红外光谱概述 |
2.1 情绪概述 |
2.1.1 情绪的分类模型 |
2.1.2 情绪的诱发 |
2.2 脑电概述 |
2.2.1 脑电信号 |
2.2.2 脑电的采集 |
2.3 功能性近红外光谱技术概述 |
2.3.1 近红外光谱技术原理 |
2.3.2 脑血氧的计算方法 |
2.4 本章小结 |
第3章 情绪识别分析方法 |
3.1 fNIRS特征提取及分析 |
3.1.1 统计类特征 |
3.1.2 变化趋势特征 |
3.1.3 特征分析 |
3.2 脑电特征提取 |
3.2.1 时域特征 |
3.2.2 频域特征 |
3.2.3 时频域特征 |
3.2.4 空间域特征 |
3.3 特征降维 |
3.4 情绪分类方法 |
3.5 本章小结 |
第4章 EEG与 fNIRS信号采集系统设计 |
4.1 硬件检测平台的设计 |
4.1.1 脑电信号采集电路 |
4.1.2 fNIRS信号采集电路 |
4.1.3 控制器的控制流程 |
4.2 上位机处理平台设计 |
4.3 本章小结 |
第5章 情绪识别实验与结果分析 |
5.1 基于脑电的分类模型 |
5.1.1 实验数据 |
5.1.2 脑电特征提取和降维 |
5.2 情绪识别实验 |
5.2.1 实验内容 |
5.2.2 脑血氧特征分析 |
5.2.3 EEG与 fNIRS综合分析 |
5.3 本章小结 |
第6章 总结与展望 |
参考文献 |
作者简介及科研成果 |
致谢 |
(6)机器翻译错误实例分析及相应译前、译后编辑策略(论文提纲范文)
Acknowledgements |
内容摘要 |
abstract |
Chapter 1 Introduction |
1.1 Research Background |
1.2 Significance of the Study |
1.3 Structure of the Thesis |
Chapter 2 Introduction to Machine Translation,Pre-Editing and Post-Editing |
2.1 Main Concepts:Machine Translation,Pre-Editing and Post-Editing |
2.2 Current Research Abroad |
2.3 Current Research in China |
Chapter 3 Translation Process |
3.1 Choice of Source Text |
3.2 Choice of Machine Translation Software |
3.3 Choice of Editing Platform |
3.4 Research Methods and Post-Editing Principles |
3.5 Post Translation Revision |
Chapter 4 Case Study:Errors in MT and Corresponding Pre-Editing and Post-Editing Strategies |
4.1 Mistranslation of Terminologies |
4.1.1 Terminology Phrases |
4.1.2 Mistranslation of Non-technical Words |
4.2 Subject Translation Errors |
4.2.1 Subject Recognition Errors |
4.2.2 Subject Repetition Errors |
4.2.3 Subject Position Errors |
4.3 Logic Errors |
4.3.1 Logic Errors Caused by Parenthesis |
4.3.2 Logic Errors Caused by Conjunctions |
Chapter 5 Conclusion |
5.1 Major Findings |
5.2 Limitations |
References |
Appendix Ⅰ |
Appendix Ⅱ |
附件 |
(7)孤独症谱系障碍患者脑成像信号的时空间特征分析(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 孤独症的风险因素 |
1.2.1 遗传因素 |
1.2.2 环境因素 |
1.3 孤独症的脑机制研究现状 |
1.3.1 孤独症传统研究手段的局限性 |
1.3.2 现代脑成像技术概述 |
1.3.3 脑成像信号的传统分析技术 |
1.3.4 基于传统脑成像信号分析技术得出的结论 |
1.4 脑成像信号的时空间特征分析技术 |
1.4.1 长程时域相关性分析 |
1.4.2 空间复杂性分析 |
1.4.3 EEG微状态分析 |
1.5 脑成像技术的信度分析 |
第二章 问题提出 |
2.1 问题提出 |
2.1.1 先前孤独症脑成像研究的局限性 |
2.1.2 本研究探讨的问题 |
2.2 研究框架 |
2.2.1 脑活动时空间特征的三个层面 |
2.2.2 本研究具体框架 |
2.2.3 各个子研究相互关系 |
2.3 研究意义 |
2.3.1 理论意义 |
2.3.2 实践意义 |
第三章 脑成像信号时空间特征分析技术的重测信度分析 |
3.1 研究一A脑成像信号去趋势波动分析技术的重测信度分析 |
3.1.1 研究方案 |
3.1.2 重测信度分析结果 |
3.1.3 讨论 |
3.2 研究一B脑成像信号空间复杂性分析技术的重测信度分析 |
3.2.1 研究方案 |
3.2.2 重测信度分析结果 |
3.2.3 讨论 |
第四章 孤独症患者静息态f MRI信号的时空间特征分析 |
4.1 研究二A孤独症患者静息态f MRI信号的去趋势波动分析 |
4.1.1 研究方案 |
4.1.2 统计分析结果 |
4.1.3 讨论 |
4.2 研究二B孤独症患者静息态f MRI信号的空间复杂性分析 |
4.2.1 研究方案 |
4.2.2 统计分析结果 |
4.2.3 讨论 |
第五章 孤独症患者f NIRS信号的时空间特征分析 |
5.1 研究三A孤独症患者f NIRS信号的去趋势波动分析 |
5.1.1 研究方案 |
5.1.2 统计分析结果 |
5.1.3 讨论 |
5.2 研究三B孤独症患者f NIRS信号的空间复杂性分析 |
5.2.1 研究方案 |
5.2.2 统计分析结果 |
5.2.3 讨论 |
第六章 孤独症患者静息态EEG信号的时空间特征分析 |
6.1 研究四A孤独症患者静息态EEG信号的去趋势波动分析 |
6.1.1 研究方案 |
6.1.2 统计分析结果 |
6.1.3 讨论 |
6.2 研究四B孤独症患者静息态EEG信号的空间复杂性分析 |
6.2.1 研究方案 |
6.2.2 统计分析结果 |
6.2.3 讨论 |
6.3 研究四C孤独症患者静息态EEG信号的微状态分析 |
6.3.1 研究方案 |
6.3.2 统计分析结果 |
6.3.3 讨论 |
第七章 总讨论 |
7.1 时空间特征分析技术的重测信度 |
7.2 ASD患者三个层面脑活动的时空间特征 |
7.2.1 单个节点瞬时波幅的时间动力学特征 |
7.2.2 脑功能网络内部各个节点的空间组织模式 |
7.2.3 脑网络间相互转换的时间动力学特征 |
7.3 对ASD临床研究的启示 |
7.4 创新点 |
7.5 研究不足及展望 |
参考文献 |
攻读博士学位期间的科研成果 |
致谢 |
(8)夹持状态的fNIRS识别方法研究及移动平台的脑机控制实现(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究的背景与意义 |
1.2 基于BCI技术的智能康复国内外研究现状 |
1.3 功能性近红外光谱技术的国内外研究现状 |
1.4 本课题的研究内容 |
1.4.1 课题研究内容 |
1.4.2 论文框架 |
第二章 夹持任务实验设计及脑血氧信号采集 |
2.1 夹持任务实验设计 |
2.1.1 实验对象 |
2.1.2 实验范式 |
2.1.3 实验注意事项 |
2.2 脑血氧信号采集 |
2.2.1 近红外脑成像技术检测原理 |
2.2.2 实验设备 |
2.2.3 测试脑区及头套布局 |
2.2.4 测量模式 |
2.3 本章小结 |
第三章 脑血氧信号的分析与识别方法研究 |
3.1 夹持意图识别方法研究 |
3.1.1 功率谱密度分析 |
3.1.2 组合滤波及标准化处理 |
3.1.3 夹持意图的特征提取 |
3.1.4 随机森林模式识别方法 |
3.1.5 夹持意图的识别框架 |
3.2 目标达成状态识别方法研究 |
3.2.1 滑动窗口分析方法 |
3.2.2 目标达成状态的特征提取 |
3.2.3 支持向量机和长短期记忆网络模式识别方法 |
3.2.4 目标达成状态的识别框架 |
3.3 模型评价指标 |
3.4 本章小结 |
第四章 夹持意图和目标达成状态识别结果与分析 |
4.1 夹持意图识别 |
4.1.1 功率谱密度分析 |
4.1.2 组合滤波及标准化处理 |
4.1.3 夹持意图的特征提取与模式识别 |
4.2 目标达成状态识别 |
4.2.1 滑动窗口分析 |
4.2.2 目标达成状态的特征提取 |
4.2.3 目标达成状态识别结果与分析 |
4.3 本章小结 |
第五章 脑-机接口实验平台的搭建与验证 |
5.1 在线验证平台 |
5.1.1 验证平台结构设计与搭建 |
5.1.2 验证平台控制系统 |
5.2 脑-机接口识别方法在线验证 |
5.2.1 在线验证实验 |
5.2.2 实验结果与分析 |
5.3 本章小结 |
第六章 总结与展望 |
参考文献 |
攻读学位期间本人出版或公开发表的论着、论文 |
致谢 |
(9)生理时间序列的符号化和非线性特征分析(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 生理信号的复杂性和分析方法 |
1.1.1 生理时间序列复杂性的体现 |
1.1.2 复杂生理信号的研究方向 |
1.2 单变量非线性特征分析 |
1.2.1 符号时间序列分析(熵值分析) |
1.2.2 时间不可逆分析 |
1.3 双系统关联性分析 |
1.4 生理网络分析 |
1.5 三种生理、病理现象 |
1.5.1 心电活动 |
1.5.2 癫痫 |
1.5.3 睡眠 |
1.6 研究内容以及章节安排 |
第二章 心率信号的符号化熵值分析 |
2.1 符号时间序列分析和心率信号 |
2.1.1 符号时间序列分析 |
2.1.2 CHF、健康年轻和老年心率 |
2.2 静态符号熵值分析 |
2.2.1 Kurths-Wessel和基本尺度符号熵 |
2.2.2 Logistic序列的KW和 BS符号熵 |
2.2.3 心率信号的KW和 BS符号熵 |
2.3 差分符号熵值分析 |
2.3.1 JK符号化和其改进的差分符号化 |
2.3.2 差分符号熵的非线性复杂度分析 |
2.4 心率信号的等值排列熵分析 |
2.4.1 排列符号化及等值排列符号化 |
2.4.2 等值心率的分布及其生理意义 |
2.4.3 心率信号的排列熵和等值排列熵 |
2.5 静态、动态双重符号联合熵分析 |
2.5.1 静态、动态符号动力学信息的融合 |
2.5.2 Logistic序列的符号联合熵 |
2.5.3 心率信号的符号联合熵 |
2.6 本章小结 |
第三章 心脑信号的时间不可逆分析 |
3.1 时间不可逆的基本概念 |
3.1.1 时间不可逆的基本定义 |
3.1.2 正反序列和对称向量概率差异性 |
3.2 时间不可逆的量化分析 |
3.2.1 时间不可逆和排列类型 |
3.2.2 空排列和基于减法的差异性参数 |
3.2.3 代替数据及其构造方法 |
3.3 模型序列的时间不可逆 |
3.3.1 三种模型序列 |
3.3.2 时间不可逆参数的模型序列验证 |
3.4 癫痫脑电信号的时间不可逆 |
3.4.1 癫痫脑电信号及其单一排列 |
3.4.2 癫痫脑电信号的时间不可逆 |
3.4.3 癫痫发作间期脑电信号的时间不可逆 |
3.5 心率的时间不可逆分析 |
3.5.1 Costa指数和排列概率分布的Ys(m=2) |
2)'>3.5.2 排列概率分布的Ys(m>2) |
3.5.3 多尺度对等值心率的影响 |
3.6 熵值分析和时间不可逆的差别 |
3.7 本章小结 |
第四章 睡眠心脑信号的符号转移熵分析 |
4.1 心脑之间的生理关联性 |
4.1.1 神经心脏病学(Neurocardiology) |
4.1.2 睡眠心脑关联性的量化分析 |
4.2 转移熵和符号转移熵 |
4.2.1 转移熵 |
4.2.2 符号转移熵 |
4.3 睡眠心脑活动信息交换的转移熵分析 |
4.3.1 睡眠心脏和大脑信号 |
4.3.2 心脑信号的排列转移熵分析 |
4.3.3 心脑信号的KW符号转移熵分析 |
4.3.4 心电和不同波段脑电活动的信息交换 |
4.4 符号编码、排列和相空间、采样频率的关系 |
4.5 本章小结 |
第五章 脑网络和生理器官网络分析 |
5.1 生理网络分析 |
5.1.1 生理网络的构建 |
5.1.2 网络特征分析 |
5.1.3 生理信息网络的特征参数 |
5.2 癫痫脑网络分析 |
5.2.1 脑信息交换网络的构建 |
5.2.2 脑信息交换网络分析 |
5.3 睡眠生理网络分析 |
5.3.1 睡眠生理器官网络的构建 |
5.3.2 睡眠生理信息网络分析 |
5.4 生理信息交换网络特点 |
5.5 本章小结 |
第六章 总结与展望 |
参考文献 |
附录1 攻读博士学位期间撰写的论文 |
附录2 攻读博士学位期间参加的科研项目 |
致谢 |
(10)多模态脑成像的有效连接分析(论文提纲范文)
中英文对照表 |
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景 |
1.2 多模态脑成像的有效连接分析方法综述 |
1.2.1 按数据驱动与模型驱动属性分类 |
1.2.2 按静息态与任务态数据类型分类 |
1.2.3 按时域与频域特征描述方法分类 |
1.2.4 按宏观与介观建模精细程度分类 |
1.3 多模态脑成像有效连接分析的研究意义与应用价值 |
1.3.1 开展脑疾病的智能分析与辅助诊断 |
1.3.2 启发类脑智能研究与算法构建 |
1.4 本文主要贡献与组织结构 |
1.4.1 主要贡献 |
1.4.2 组织结构 |
第二章 功能磁共振成像的多变量时-频格兰杰因果连接分析 |
2.1 引言 |
2.2 方法 |
2.2.1 多变量格兰杰因果模型 |
2.2.2 时域与频域格兰杰因果连接的计算 |
2.2.3 格兰杰因果连接的非参数假设检验 |
2.2.4 构建方法:时频结合的多变量格兰杰因果连接分析 |
2.2.5 算法的仿真测试 |
2.3 应用研究 |
2.3.1 特发性全面性癫痫数据集 |
2.3.2 数据预处理与质量控制 |
2.3.3 核心神经认知网络的提取 |
2.3.4 构建组内时频因果连接图 |
2.3.5 比较组间时频因果连接差异 |
2.4 结果 |
2.4.1 组内时频因果连接图 |
2.4.2 组间时频因果连接差异结果 |
2.5 分析与讨论 |
2.5.1 研究内容总结与意义 |
2.5.2 因果连接差异结果讨论 |
2.5.3 方法学讨论 |
2.5.4 研究的局限性与后续工作 |
2.6 本章小结 |
第三章 多模态动态因果建模与贝叶斯融合 |
3.1 引言 |
3.2 方法 |
3.2.1 神经元模型 |
3.2.2 观测模型 |
3.2.3 多模态动态因果建模 |
3.2.4 贝叶斯融合 |
3.3 应用研究 |
3.3.1 听觉失匹配负波数据集 |
3.3.2 多模态仿真数据集的生成 |
3.3.3 模型反演策略:贝叶斯融合对比单模态分析 |
3.4 基于KL散度的信息增益量化 |
3.5 结果 |
3.5.1 多模态时间序列 |
3.5.2 层流信号 |
3.5.3 模型反演结果 |
3.5.4 信息增益结果 |
3.6 分析与讨论 |
3.6.1 研究内容总结与意义 |
3.6.2 模型准确性与复杂度分析 |
3.6.3 信息增益结果讨论 |
3.6.4 模型与方法的潜在应用 |
3.6.5 研究的局限性与后续工作 |
3.7 本章小结 |
第四章 静息态功能磁共振成像的频谱动态因果建模分析 |
4.1 引言 |
4.2 方法 |
4.2.1 频谱动态因果建模 |
4.2.2 功能连接与有效连接结合的分析方法 |
4.2.3 基于参数经验贝叶斯的成组有效连接分析 |
4.3 应用研究 |
4.3.1 驾驶员数据集 |
4.3.2 数据预处理与质量控制 |
4.3.3 辅助运动区的功能性剖分 |
4.3.4 功能连接分析 |
4.3.5 有效连接分析 |
4.4 结果 |
4.4.1 辅助运动区的剖分结果 |
4.4.2 功能连接的组水平分析结果 |
4.4.3 有效连接的组水平分析结果 |
4.4.4 有效连接的预测有效性分析 |
4.5 分析与讨论 |
4.5.1 研究内容总结与意义 |
4.5.2 有效连接差异结果讨论 |
4.5.3 研究的局限性与后续工作 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 未来工作展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
四、FUNCTIONAL BRAIN IMAGING BASED ON EEG AND MEG(论文参考文献)
- [1]基于排列熵的老化及阿尔茨海默症患者大脑复杂度研究[D]. 孙婕. 太原理工大学, 2021(01)
- [2]基于fNIRS的在线下肢运动想象解码及运动康复研究[D]. 李红权. 昆明理工大学, 2021(01)
- [3]抑郁症脑成像技术和核脑影像成像技术的研究进展[J]. 王馨苑,刘琰,谭曦. 中国全科医学, 2021(21)
- [4]基于fNIRS脑机接口系统研究[D]. 李玉. 昆明理工大学, 2020(04)
- [5]基于EEG-fNIRS的情绪识别系统研究[D]. 王恩慧. 吉林大学, 2020(08)
- [6]机器翻译错误实例分析及相应译前、译后编辑策略[D]. 邵南. 北京第二外国语学院, 2020(08)
- [7]孤独症谱系障碍患者脑成像信号的时空间特征分析[D]. 贾会宾. 东南大学, 2020(01)
- [8]夹持状态的fNIRS识别方法研究及移动平台的脑机控制实现[D]. 赵琪. 苏州大学, 2020(02)
- [9]生理时间序列的符号化和非线性特征分析[D]. 姚文坡. 南京邮电大学, 2019(04)
- [10]多模态脑成像的有效连接分析[D]. 魏慧琳. 国防科技大学, 2020(01)