尹海娥[1]2003年在《基于模糊推理系统的自适应噪声消除方法在视觉诱发脑电信号提取中的应用》文中认为视觉诱发电位(VEP)指由于外部视觉刺激而在视觉通路上产生的可以在头皮上测量到的电活动。视觉诱发电位在神经生理学和临床疾病诊断等方面有极其重要的价值。但由于视觉诱发电位非常微弱，被淹没在强背景噪声自发脑电信号(EEG)中。目前临床上VEP的检测均采用相干平均法，通过增加重复刺激次数来提高信噪比。但是平均方法忽略了每次试验之间VEP的变异，而且反复刺激会引起神经系统疲劳，危重病人难以承受，也将直接影响到诱发响应的波形，因此对vEP进行单次或少次提取并跟踪每次试验中VEP的变化成为人们关注的研究目标。 本文探讨了基于自适应模糊推理系统ANFIS(Adaptive—network_basedfuzzy i nferer"ice system)的自适应噪声消除方法在提取视觉诱发响应(VEP)信号中的应用，并结合临床实验提出了一种新的单次提取方法。经与目前临床通用的相干平均法比较，在波形整体和P100潜伏期的提取上，效果显着。 自适应模糊推理系统ANFIS是功能上等价于模糊推理系统的自适应神经网络。这种自适应神经网络是由有向链接连接的若干节点组成的网络结构。每个节点表示一个处理单元。所有的或部分的节点是自适应的，即这些节点的参数是可调的。对自适应网络的节点函数，除了分段可微的要求外，几乎没有任何约束。ANFIS可直接应用于建模、决策、信号处理和控制领域。 1975年，Widrow和G10vr首先提出了自适应噪声消除：目标是通过辨识可测噪声源与相应的不可测干涉之间的线性模型来滤除干涉成分。用线性滤波器的自适应噪声消除已成功地用于实际，如心电图(ECG)中的干涉消除，长距离电话传输线的回声消除以及无线旁瓣的噪声消除。本文用ANFIS辨识可测噪声源与响应的不可测干涉之间的未知非线性模型，将线性自适应噪声消除的概念扩展到非线性领域。ANFIS可以对非线性函数建模，可动态跟踪VEP在每次试验中的变化。由于节点参数是线性的，用梯度下降和最小二乘的混合学习算法来调节参数，减少了运算量，加快了收敛速度。 本文探讨了ANfS在提取视觉诱发响应(VEP)信号中的应用，并结合临床实验提出了一种新的单次提取方法。经与目前临床通用的相干平均法比较，在波形整体和P100潜伏期的提取上，效果显着。
尹海娥, 曾衍钧, 张建华, 潘映辐[2]2005年在《基于ANFIS的自适应噪声消除方法在视觉诱发脑电信号的单次提取中的应用》文中研究说明本研究将基于自适应模糊神经网络(ANFIS)的噪声消除方法应用于视觉诱发脑电信号的单次提取。通过数字仿真和实际临床应用的结果验证了该方法的有效性。经与目前临床通用的相干平均法比较,在波形整体和P10 0潜伏期的提取上,效果显着。
尹海娥, 曾衍钧, 任志浩, 潘映辐[3]2004年在《基于模糊神经网络的自适应噪声消除方法在视觉诱发电位提取中的应用》文中研究说明目的本文旨在提取淹没在强背景噪声自发脑电信号(EEG)中的视觉诱发脑电信号。方法通过设计合适的自适应模糊神经网络(ANFIS),对视觉诱发脑电信号进行建模,从而采用自适应噪声消除方法滤除干扰信号,提取出视觉诱发脑电信号。结果经与目前临床通用的相干平均法比较,在波形整体和P100潜伏期的提取上,效果显着。结论基于ANFIS的自适应噪声消除方法可有效的用于诱发脑电信号VEP的检测。
伍亚舟[4]2007年在《基于想象左右手运动思维脑电BCI实验及识别分类研究》文中研究说明背景近几年来,利用不同思维作业脑电信号作为实现脑-机接口(BCI)的一种新型人机接口技术,已受到了广泛的关注。BCI是在人脑和计算机或其它电子设备之间建立的一种直接的信息交流和控制通道,它是不依赖于脑的正常输出通路(外周神经系统及肌肉组织)的全新的信息交流系统。它的一个最重要用途是为那些思维正常但有严重运动障碍的患者提供语言交流和环境控制途径,以提高其生存质量;另外,BCI技术在特殊作业和军事环境等领域也有潜在的应用价值,还可以作为一种新的信息交流控制手段和娱乐方式。BCI正成为脑科学、康复工程、生物医学工程及人机自动控制研究领域的一个研究热点。目前,BCI的研究正处于探索阶段,现有BCI系统的识别正确率和识别速率、性能稳定性等关键技术还需要解决。BCI系统本质上就是识别特定的脑电模式,然后按照预设规则将获取的脑电转化为外部信息。实际应用中,实验设计、信号获取、算法选择(特征提取、特征分类)等因素都会影响最后的结果。因此,BCI系统全面建立过程中,实验设计和信号获取是非常重要的第一步,也是获得良好结果的前提。目前,获取脑电的方式主要是非侵入式方法,它有3种类型:①在思维作业期间,不进行任何刺激情况下,通过头皮电极记录脑电;②利用单次视觉诱发脑电获得脑电;③在感觉运动皮层区,利用μ节律的同步化和去同步化获得脑电。本文主要采用第一种方式获取BCI的控制信号,即通过想象左右手运动获取思维脑电。本文开展了基于想象左右手运动思维脑电信号的BCI系统控制信号采集、特征提取与识别分类研究。本研究目的是探索一种实用的基于想象运动思维脑电的BCI方式,通过寻找合适的信号处理方法,来提取最能反映不同思维的脑电特征,以得到准确的BCI系统外部控制命令,从而提高BCI系统通讯的识别正确率,为最终实现BCI应用奠定比较坚实的理论和实验基础。方法基于人在不同思维时表现的基本特性,本文阐述了基于想象左右手运动思维脑电信号用于BCI的原理。利用双计算机和Active One(生理信号测量系统)建立了一个基于想象左右手运动思维脑电的BCI信号采集实验系统。本研究采用头皮电极记录大脑皮层的自发脑电,该记录方式无创,使用者无需训练。通过软件编程的方式产生实验提示控制模式,屏幕上随机地出现向左或向右的箭头,受试者作出相应的选择,从而进行按键。对6名健康受试者进行3种不同时段(箭头出现2s、1s和0s后提示按键)情况下想象左右手运动思维作业的信号采集实验。随后,对实验数据进行离线处理和分析:通过对几种思维脑电信号处理方法的比较研究,提出利用小波多分辨率结合统计特性分析方法提取反映不同思维作业的脑电特征,同时研究了几种可用于本研究信号提取的基本小波函数;在对信号的模式识别方法进行比较深入而系统地研究基础上,提出了利用前向反馈神经网络(BP神经网络)方法识别分类这些特征。结果对所有受试者叁种情况下平均延缓时间Δt_2、Δt_1和Δt_0分析发现,Δt_0与Δt_1和Δt_2之间均存在显着性差别(p<0.05),而Δt_1与Δt_2之间没有显着差别(p>0.05);叁种情况下(特别在t=1s时),实际按键前大概0.5~1s左右,想象左右手运动的思维脑电特征信号发生了明显改变,且这些特征存在明显不同。本研究得到的识别分类结果:在叁种不同时段情况下,当训练集和测试集为同一受试者时(即同一受试者的部分样本作为训练集,其他部分样本作为测试集),比如待识别分类的特征向量集为C3通道,叁种情况下测试集的平均分类正确率分别达到65.00%、86.67%和72.00%,最大为90.00%,这些结果表明对于同一受试者而言可以获得比较理想的分类效果。不过,训练集和测试集为不同受试者时(即某个受试者作为训练样本集,其他受试者为测试样本集),对其他受试者测试的识别分类正确率的平均值仅为60.00%左右,该结果表明:不同个体之间存在一些差异。在同一时段情况下(如箭头出现t=1s后提示按键),当特征向量集分别选择C3、C4、CZ和这叁个电极合并时,其识别分类正确率分别为86.67%、76.67%、70.00%和65.00%。该结果表明,特征向量选择单独某个电极比这些电极合并时得到的分类率要高些。结论本文设计叁种情况下获取BCI信号的实验方案是可行的;本研究提出的在小波变换域中提取特征的方法可以有效地实现信号的去噪、降维和特征提取,是一种十分有效的特征提取方法;采用基于前向反馈神经网络(BP神经网络)的识别分类方法来识别想象左右手运动思维脑电特征,可以得到比较理想分类正确率和BCI系统外部控制信号,是一种有效的且易实现的信号识别方法。在选择合适通道构建特征向量集基础上,箭头出现1s后提示按键(随机按键)这种情况,可以获得更高的识别分类正确率。这说明通过合理实验设计获取的信号有助于识别正确率的提高;本研究提出的特征作为BCI系统外部装置控制信号是可行的,为BCI系统中不同思维任务的特征提取与识别分类提供了一种新的思路和方法。
张力[5]2014年在《基于脑机接口的视觉刺激器的研究与实现》文中指出脑-机接口(brain-computer interface, BCI)是一种利用人脑生物电信号实现人脑与计算机或其他电子设备通讯和控制的系统。它正成为脑科学、计算机工程、生物医学工程及人机自动控制研究领域的一个研究热点。本文阐述了脑机接口的原理,给出了基于视觉诱发电位的脑计算机接口系统的方案,该方案的关键部分是刺激器的实现,它提供了用户利用脑电信号输入字符所需的刺激。本论文的主要工作及研究成果有以下几个方面：第一：作者通过Visual Studio 2010利用MFC编程设计了脑机接口视觉刺激器。为了保证目标图像的高速和平滑的显示,作者采用了DirectX技术；基于Windows精确定时,作者列举了毫秒级定时的方法,在实验的基础上,选取了多媒体定时器；经过查阅资料,使用WinIO函数库,成功地解决了并口输出。实测显示,视窗中的目标图像同时运动时,平滑稳定、无抖动现象,时间精度达到设计要求,实时向并口输出数据,该方案能有效地诱发出可识别的具有特征性的视觉诱发电位。第二：利用两台计算机和脑电信号采集系统建立了一个基于视觉诱发电位的脑机接口实验系统。本研究利用累加平均提取强噪声背景下视觉诱发电位的方法,可以有效地提高信噪比,但不能提取出显着的视觉诱发电位信号。课题组采用少量累加平均结合小波时频滤波,实验结果表明,大约只需十几次视觉刺激数据,就可以提取出波形特征显着的视觉诱发电位信号,有利于提高脑机接口的通讯准确性。第叁：作者成功地利用刺激器与脑电采集系统开展了脑机接口实验。研究结果表明,当屏幕上有12个刺激模块,受试者注视其中任意位置的一个刺激模块时,均可能检测到相应的VEP信号。不同的颜色模块的闪烁或颜色交替变化均能引起视觉诱发电位信号,但所引起的VEP信号的波形形状及幅度存在一定的差异。其中,白色黑色模块的闪烁所引起的VEP信号幅度较大。当视觉刺激频率在4Hz左右变化时,所有受试者均能检测到比较明显的瞬态VEP信号。
佚名[6]2004年在《计算机在电子学方面的应用》文中研究表明TP39 2004U41249一种网络防御模型研究/刘维国,刘慧敏(解放军9 1550部队)]I航天电子对抗.一2 003,(4)一46一封叁通过一种网络防御模型的引人,进而分析了网络系统保护模式、建立数学模型.该模型对于建立和强化网络安全保障体系有一定
蔡涵书[7]2018年在《基于脑电反馈的情感障碍调节机制及关键技术研究》文中研究指明抑郁症,作为情感障碍之一,已悄然成为世界第四大疾病。抑郁症的发病因素复杂,常常由遗传和环境或应激因素之间互相作用而产生。抑郁症患者往往会出现心境低落、思维迟缓、意志活动减退、认知功能损害和包括乏力、疼痛、睡眠障碍在内的躯体症状等,甚至会出现妄想、悲观厌世和自杀行为,给个体、家庭和社会造成严重危害。近年来,抑郁症患者的数量飞速攀升,已成为了致死率最高的精神疾病。目前公认的治疗抑郁症的最有效方法是早发现、早干预。但是,由于目前尚缺乏客观有效的抑郁症诊断生理指标,抑郁症的干预治疗面临着普适性低、误诊率高和成本高昂等缺点,同时,药物治疗还会带来巨大的副作用。基于上述原因,本研究基于脑电反馈技术,发现了全新的抑郁症筛查指标和模型,依此构建了抑郁症筛查和干预系统,并对系统的有效性进行了验证,探讨并阐明了该系统基于脑电反馈的情感障碍调节机制。主要贡献及创新有以下四点:1.提出了一种兼顾普适计算普适性和抑郁特征有效性的抑郁脑电实验范式。选取了与人认知、情感紧密关联的前额叶,及Fp1、Fp2、Fpz叁个电极位置为脑电采集区,采集了抑郁症患者和正常人群的传统静息态脑电数据及正、中、负叁种音频刺激下的脑电数据,构建了中国抑郁人群和正常对照组的普适化脑电数据库。2.确定了有效的普适化抑郁脑电特征集。我们对原始采集数据进行去噪处理后,提取出全部220个线性和非线性特征,构建了原始特征矩阵。随后,使用1种Wrapper包装类和3种Filter过滤类特征选择算法对原始特征进行了特征选择。接着,对特征选择的结果用贝叶斯网络、支持向量机、最近邻分类器、逻辑回归、随机森林和决策树等6种分类算法进行分类,并使用10则交叉验证进行验证,最终确定了有效的抑郁症普适化脑电特征集。3.构建了基于案例检索的普适化抑郁脑电分类模型。本文在基于案例检索的抑郁脑电识别方法的研究中,提出一种新的基于遗传算法的案例检索权重融合方法。我们把PCA、离散系数、信息熵这3种常用权重设定算法通过遗传算法进行融合,提出一种新的赋权融合算法GA_PCE,并在UCI公开数据库中的23个疾病分类数据集上进行了验证。结果表明,GA_PCE权重融合方法在案例检索分类模型上的稳定性、泛化性及准确率均优于叁种权重设定方法。此外,我们还将标准欧式距离相似度计算分类算法与GA_PCE结合并构建了基于案例检索的普适化抑郁脑电分类模型,其分类准确率达到91.36%,高于常用机器学习方法的抑郁脑电分类准确率。4.提出了基于脑电反馈的抑郁障碍调节机制,依此构建了基于脑电反馈的抑郁障碍干预系统,并验证了系统的有效性。首先,我们借鉴生物信息反馈的思路,提出了基于脑电反馈的抑郁障碍调节机制的原理及其工作回路。然后,我们结合虚拟现实技术,按照抑郁障碍调节机制设计并构建了基于虚拟现实的脑电生物信息反馈的抑郁干预系统。为了验证系统和反馈指标的有效性,我们用量表筛选了有轻度抑郁症状的在校大学生进行效度实验。实验结果显示,所有接受干预的患者脑电指标均有不同程度改善。量表评估也证实干预组与未干预组相比,其抑郁症状在3周后出现改善,6周后出现显着改善(P<0.05),进一步验证了基于脑电反馈的抑郁障碍干预系统具有较高的有效性。综上所述,本文对基于脑电反馈的情感障碍筛查方法及调节机制的关键技术进行了探索,解决了普适化脑电实验设计、抑郁脑电特征选择、抑郁脑电识别方法等关键问题,研究了以抑郁症为对象的筛查和干预调节新方法,提出了基于脑电反馈的抑郁症调节机制,依此构建了基于脑电反馈的抑郁干预系统,并对其有效性进行了实验验证,全面探讨分析并阐明了新技术的理论机制及可行性。本研究丰富了基于脑电反馈的抑郁障碍调节机制的理论基础,并进行了有益的应用尝试,有助于推动该方法的进一步发展和应用。
丁晓慧[8]2016年在《运动想象脑电信号特征提取与分类研究》文中研究说明脑-机接口(Brain-Computer Interface,BCI)是一门新的技术,随着科学技术的发展越来越受到社会各界的关注。BCI系统通过电极帽等设备检测大脑皮层电活动,将大脑产生的电信号转换为对外部设备的控制信号,实现控制信息的传达进而实现与外部世界的交流。因此可以利用脑电信号(electroencephalogram,EEG)控制外部辅助设备,为行动不便的患者提供重新与外部环境交流的机会。本文对两类运动想象的脑电信号进行了研究,结合脑电信号的非线性和节律性等特点,针对EEG信号提取的特征区分度不明显以及分类识别率不高等问题,从对消除EEG信号中的噪声、提高特征向量的区分度和优化分类器性能入手,提高脑电信号分类识别率。本文主要进行以下研究工作:(1)脑电信号的预处理:在软阈值算法的基础上,采用改进的软阈值算法进行消噪。将改进的软阈值与传统的硬阈值、软阈值进行对比,并且利用信噪比和均方误差定量评估消噪效果。改进后的阈值算法在保留原有算法的优点的同时改进了不足,提高了信噪比。(2)运动想象脑电信号特征提取:针对脑电信号的非线性和非平稳性,且受试者在进行运动想象时会产生ERD/ERS现象。本文提出了小波变换和模糊熵相结合的方法用于运动想象脑电信号的特征提取。对C3和C4通道的脑电信号先利用小波变换进行多层分解提取出alpha节律和beta节律波,然后利用模糊熵对其进行特征提取,并采用2008年的BCI竞赛数据验证有效性和可行性。(3)运动想象脑电信号模式分类:针对支持向量机(SVM)在核函数参数选取上存在的问题,采用粒子群算法(PSO)对支持向量机的惩罚参数C和核参数g进行迭代寻优提高分类器的性能,再将优化后的分类器用于运动想象EEG信号的分类预测,并详细描述了粒子群算法优化SVM的原理和基本流程。(4)实验结果与分析:采用2005年脑-机接口竞赛数据BCI Competition III data IVa和2008年竞赛数据BCI Competition IV Datasets1进行运动想象脑电信号特征提取和分类识别实验。实验1结果表明粒子群优化后支持向量机能有效提高EEG信号的分类识别正确率,实验2采用小波模糊熵进行特征提取后结合粒子群优化支持向量机的算法进行分类,实验结果表明小波模糊熵算法能有效的提取EEG信号特征,PSO优化后SVM分类器识别率比传统的SVM要高。
傅霆[9]2003年在《医学信号与图像的多尺度分析方法研究》文中指出生物医学信息处理中常常面对在复杂背景条件下信号的测量问题,如电生理信号和医学成像的图像信号,为我们刻画这些信号的特征带来了很大的困难。近年来,利用真实世界中对象固有的尺度性质去刻画对象的多尺度分辨分析,正在发展成为处理复杂生物医学信号的一类非常重要的方法,其中小波理论的完善和尺度空间理论的发展为此提供了一系列强有力的手段。本文基于多尺度分析的思想,发展了一些新方法以利于在强噪声背景下提取信号。论文中涉及的信号对象主要有两种:诱发脑电和x射线对骨骼的成像图。其中有些方法也可能应用到其他信号对象。论文的主要内容如下:1、为了在强噪声背景下提取信号,根据白噪声在多分辨分析下的性质,提出了一种加权迭代的稀疏分解法。该方法认为,从一个完备库中寻找观测信号的稀疏成分表达问题的目标函数,可以取残差的模和稀疏成分的模的加权和最小。通过分析噪声在多分辨小波分解下的模极大性质,得到了在二尺度小波框架下不同尺度空间j的加权系数为。通过分析最小模问题的求解过程,提出了用两次迭代得到的信号成分的模的差作为迭代的收敛条件。仿真试验显示这种方法有很强的去除白噪声的能力,并在视觉诱发电位的单次提取上取得了一些有意义的结果。2. 针对图像分解和表达问题,提出了一种均值模型的多尺度叁角分解法,这种方法类似于四叉树结构,但叁角分解更适应图像的几何结构的变化。其中,我们构造了一种叁角基来解决叁角边界重迭问题。应用门限原理,实现了对于灰度较均匀图像的稀疏表达。试验显示,该方法有很强的噪声适应能力,并能形成稀疏的图像表达结构。3.为了提高在大尺度条件下提取边缘的精度,我们利用边缘响应的<WP=8>傅里叶变换,提出了一种对角模板识别边缘的方法,有效地提高了大尺度模板边缘定位精度,并降低了噪声的影响。以骨骼边缘提取为例,实现了良好的效果。论文中,我们还利用指数衰减原理来抑制x射线图像中小密度组织对骨骼边缘的影响,利用该方法很容易使用直方图原理提取出骨骼的边缘和内部结构变化的二值图,并有效地抑制背景对骨骼边缘的影响,结合Canny算子的结果,可以有效地提取人体复杂结构中骨骼的边缘。
刘志勇[10]2017年在《基于单通道脑电信号的睡眠分期算法及应用研究》文中研究表明睡眠分期是对人在睡眠过程中所经历的阶段进行划分。准确的睡眠分期能够为睡眠问题的诊断提供可靠的技术支持,进而采取相应的措施进行调理和治疗。睡眠分期一方面可以准确地描述睡眠中的状态转换过程,及时发现潜在的睡眠问题;另一方面,持续的监测能够有效地预防睡眠中的呼吸心跳暂停等突发性疾病,保护生命健康。目前常用的多导睡眠图分期监测方法在医院等场所有着广泛的应用,但由于其导联数目较多、测量方式复杂、对监测对象影响较大、同时还极易诱发其他生理伪迹干扰等缺点,严重限制了其进一步的发展和应用。相比而言,发展电极数目更少的便携式或可穿戴式睡眠分期监测设备已经成为当前的研究热点之一。本文重点针对单通道脑电信号睡眠分期监测过程中的若干关键技术进行了研究,研制了便携式单通道脑电信号睡眠分期监测设备,并进行了相关的实验验证。主要研究内容包括:(1)单通道脑电信号眼电伪迹去除。睡眠脑电信号中最主要的生理伪迹成分是快速眼动期的眼电伪迹。独立成分分析算法已经在多通道脑电信号的眼电伪迹去除中取得了较好的效果。而在单通道脑电信号的眼电伪迹去除中,已有的WT-ICA算法存在超完备且分离结果不稳定等问题。本文提出了一种用于单通道脑电信号眼电伪迹去除的WT-EEMD-ICA算法,通过引入集合经验模态分解,解决了WT-ICA算法的超完备问题,在没有参考眼电通道的条件下,仅通过单一通道的脑电信号,成功地实现了脑电信号和眼电伪迹的有效分离。(2)单通道脑电信号特征提取。传统的多通道脑电信号特征提取往往集中于某个单一分析域,通过对比各通道参数的变化及分布情况进行特征提取。而对于单通道脑电信号,由于其严重的非线性和非平稳特性,仅从一个分析域进行特征参数提取往往无法充分获取睡眠脑电信号中的有价值信息。本文提出了一种用于单通道脑电信号的多分析域特征参数提取算法,同时采用非线性分析、时域分析、频域分析以及时频分析等方法,提取了多重分形去趋势波动指数、序列连通度、FFT子频带能量比以及短时傅里叶变换时频分布等特征参数。相对于近似熵、复杂度、符号熵以及AR模型等传统参数,本文所提取的多分析域特征参数具有更高的分类精度。(3)单通道脑电信号特征选择。为了建立稳定性和泛化能力更好的睡眠脑电数学模型,需要对所提取的全部特征参数进行优化选择,筛选出最适合建模的特征参数组合。在目前常用的模拟退火遗传算法中,交叉概率和变异概率无法自适应调整,而且其邻域随机产生新解机制对解的稳定性影响较大,严重的还会造成迭代结果不收敛。本文提出了一种自适应模拟退火遗传算法,在模拟退火遗传算法的基础上增加了交叉概率和变异概率的自适应调整机制,采用基因优化算法代替了模拟退火遗传算法中的邻域随机选择机制,并设计了加权适应度函数。相对于相关系数法、遗传算法、自适应遗传算法以及模拟退火遗传算法,本文提出的特征选择优化算法能够以更少的特征参数实现更高的分类精度。(4)单通道脑电信号特征分类。脑电信号具有严重的非线性和非平稳特性,非线性分类方法相对于传统的线性分类方法正确率较高。其中最具代表性的自适应模糊神经推理系统兼备了神经网络和模糊逻辑的优点。但其在训练过程中根据经验建立规则库的方法往往不能够达到较好的训练结果。本文提出了用于睡眠脑电分期的GA-ANFIS算法,通过遗传算法对自适应模糊神经推理系统的每个输入参数隶属度函数个数进行优化设置。相对于偏最小二乘法、最小二乘支持向量机以及传统自适应模糊神经推理系统等分类算法,GA-ANFIS分类算法的睡眠分期精度更高。(5)睡眠分期监测实验。脑电信号的有效提取是睡眠分期监测的基础,通过头皮电极采集的脑电信号幅度一般为10～100μV,频率为0.5～100Hz,属于低频的微弱信号,且背景噪声和干扰较为严重。基于以上特点,本文设计了便携式单通道脑电信号睡眠监测设备。该设备包含3个电极,共模抑制比高于100dB,输入阻抗高于50M?。最后,设计了该设备与西班牙Morpheus Medical公司生产的IoC-View监护设备的睡眠分期监测对比实验系统,验证了本文所设计的睡眠分期设备硬件及相关软件算法的有效性。
参考文献：
[1]. 基于模糊推理系统的自适应噪声消除方法在视觉诱发脑电信号提取中的应用[D]. 尹海娥. 北京工业大学. 2003
[2]. 基于ANFIS的自适应噪声消除方法在视觉诱发脑电信号的单次提取中的应用[J]. 尹海娥, 曾衍钧, 张建华, 潘映辐. 中国生物医学工程学报. 2005
[3]. 基于模糊神经网络的自适应噪声消除方法在视觉诱发电位提取中的应用[J]. 尹海娥, 曾衍钧, 任志浩, 潘映辐. 航天医学与医学工程. 2004
[4]. 基于想象左右手运动思维脑电BCI实验及识别分类研究[D]. 伍亚舟. 第叁军医大学. 2007
[5]. 基于脑机接口的视觉刺激器的研究与实现[D]. 张力. 东北大学. 2014
[6]. 计算机在电子学方面的应用[J]. 佚名. 中国无线电电子学文摘. 2004
[7]. 基于脑电反馈的情感障碍调节机制及关键技术研究[D]. 蔡涵书. 兰州大学. 2018
[8]. 运动想象脑电信号特征提取与分类研究[D]. 丁晓慧. 杭州电子科技大学. 2016
[9]. 医学信号与图像的多尺度分析方法研究[D]. 傅霆. 电子科技大学. 2003
[10]. 基于单通道脑电信号的睡眠分期算法及应用研究[D]. 刘志勇. 哈尔滨工业大学. 2017