發(fā)布時間：2020-11-21 22:27

　　 隨著工作和生活節(jié)奏的加快,大腦疲勞已經(jīng)成為人們普遍的一種精神狀態(tài)。在交通駕駛,航天航空,人機系統(tǒng)監(jiān)控等領域,操作人員由于大腦疲勞而造成的注意力不集中、反應遲鈍、精神渙散很有可能引發(fā)嚴重的事故,造成巨大的財產(chǎn)損失。因此,對大腦疲勞狀態(tài)進行監(jiān)控具有重要的意義。研究發(fā)現(xiàn),腦電信號可以反映人體的精神狀態(tài)。因此可以通過檢測腦電信號在疲勞狀態(tài)下的特性對腦疲勞進行預警。穩(wěn)態(tài)視覺誘發(fā)電位是指當人的大腦皮層受到一個固定頻率的視覺刺激時,它會產(chǎn)生一個連續(xù)的與刺激頻率有關的響應。穩(wěn)態(tài)視覺誘發(fā)電位具有信號采集簡單,無需訓練等優(yōu)點而被廣泛應用在腦電信號的研究中。本文也是使用穩(wěn)態(tài)視覺誘發(fā)電位來誘發(fā)受試者產(chǎn)生疲勞腦電。文章的主要工作如下:1.實驗設計了一個黑白色棋格的刺激源,刺激源的閃爍頻率在9-13Hz之間。受試者被安排在一個安靜,光線良好的實驗環(huán)境中接受長時間的視覺刺激,產(chǎn)生視覺疲勞腦電信號。在實驗過程中,受試者按要求完成主觀疲勞量表作為主觀統(tǒng)計的參考。使用獨立成分分析方法去除原始腦電信號中的眼電、肌電等偽跡。2.使用非線性非平穩(wěn)的信號處理方法-希爾伯特-黃算法(HHT)提取腦電信號中的頻域特征。對腦電信號進行經(jīng)驗模態(tài)分解得到IMF分量,根據(jù)皮爾遜系數(shù)選取與原信號相關系數(shù)大于50%的IMF分量進行重構。對重構信號做希爾伯特變換,計算重構信號的希爾伯特邊際譜能量,發(fā)現(xiàn)腦電信號中的α,β,(θ+α)/β,β/α四種EEG腦電節(jié)律的邊際能量譜幅值在清醒狀態(tài)和疲勞狀態(tài)下具有顯著性差異。提取這四種腦電節(jié)律的希爾伯特邊際譜幅值作為特征向量。3.對比幾種分類算法的優(yōu)缺點,文章決定使用支持向量機(SVM)作為腦電信號的分類器。將特征向量傳入到SVM中,分類結果表明:β,β/α,和四種EEG指標的組合特征向量T都有良好的可分性,可以作為判別疲勞狀態(tài)的指標。
【學位單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TN911.7
【部分圖文】：

基本理論產(chǎn)生系統(tǒng)最重要的一個組成部分就是大腦，大腦的組是受到大腦的控制。至今為止，大腦還有許多四個部分：額葉、頂葉、顳葉、枕葉。大腦表1 所示，大腦皮層的不同區(qū)域?qū)�應著不同的功能感，三維感知。額葉主要是負責人體的記憶和。顳葉與聽覺和知覺有關，而枕葉區(qū)負責視覺的功能，但是每個部分之間都有緊密的聯(lián)系。部分協(xié)同處理完成的。

圖 2-2 P300 誘發(fā)電位Figure 2-2 P300 Evoked Potential誘發(fā)電位發(fā)電位(Transient Visual Evoked Potential, TVEP)是通過低頻腦電信號的產(chǎn)生。用于瞬態(tài)視覺誘發(fā)電位的刺激頻率一般小于位的前一個刺激引起的皮質(zhì)反應會在下一個刺激出現(xiàn)之前消電位是對應單個刺激的反應，換而言之，瞬態(tài)視覺誘發(fā)電位由瞬態(tài)視覺誘發(fā)電位產(chǎn)生的腦電波形中，第一個波谷會出現(xiàn)被稱為 N75。P100 就是刺激發(fā)生后第 100ms 出現(xiàn)的第一個 毫秒的地方出現(xiàn)的波谷。具體的 TVEP 如圖 2-3 所示。

圖 2-3 TVEP 波形圖Figure 2-3 TVEP waveform信號產(chǎn)生與采集簡單，無需訓練，穩(wěn)定性高，特征明顯信號的研究中。在圖 2-4 中，使用 12Hz 的刺激頻率來進行
【相似文獻】

相關期刊論文 前10條

1 韋曉燕;陳子怡;周毅;;基于多尺度排列熵的腦電信號分類[J];中國數(shù)字醫(yī)學;2019年05期

2 王曉麗;;基于深度學習的癲癇腦電信號分析與預測[J];長春大學學報;2019年06期

3 王薇蓉;張雪英;孫穎;暢江;;關于腦電信號的情感優(yōu)化識別仿真[J];計算機仿真;2018年06期

4 郭婷儀;李素芳;鐘桂仙;曾佳璇;周酥;;基于腦電信號的耳鳴識別算法研究[J];科技傳播;2018年13期

5 左晶;萬小勤;羅楊;鄭斌;陳斌林;任祥花;;癲癇腦電信號的相關性分析[J];電子世界;2017年05期

6 張娜;唐賢倫;劉慶;;基于半監(jiān)督學習的腦電信號特征提取及識別[J];工程科學與技術;2017年S2期

7 石喬莉;王延輝;李信政;;基于腦電信號的駕駛疲勞的研究[J];世界最新醫(yī)學信息文摘;2017年55期

8 王恒;李念強;齊鵬沖;;運動想象腦電信號特征的提取與分類[J];工業(yè)控制計算機;2015年02期

9 李亞杰;宋明星;張玉棟;;腦電信號采集系統(tǒng)的設計[J];河北建筑工程學院學報;2014年01期

10 蔡超峰;張勇;郭舒婷;姜利英;;思維腦電信號的關聯(lián)維數(shù)分析[J];河南科技大學學報(自然科學版);2012年01期

相關博士學位論文 前10條

1 李明陽;基于復合域分析的癲癇腦電信號檢測算法研究[D];吉林大學;2018年

2 張濤;基于模糊分布熵和復值模糊分布熵的癲癇腦電信號自動分類算法研究[D];吉林大學;2019年

3 韓凌;腦電信號同步分析及癲癇發(fā)作預測方法研究[D];東北大學;2016年

4 趙麗;基于腦電信號的腦-機接口技術研究[D];天津大學;2004年

5 繆曉波;基于腦電信號的認知動力學系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學;2004年

6 徐鵬;信號的稀疏分解及其在腦電信號處理中的應用研究[D];電子科技大學;2006年

7 伍亞舟;基于想象左右手運動思維腦電BCI實驗及識別分類研究[D];第三軍醫(yī)大學;2007年

8 唐艷;基于時間、頻率和空間域的自發(fā)腦電信號提取[D];中南大學;2008年

9 陳東偉;非線性動力學、因果腦網(wǎng)絡與聚類穩(wěn)定性在腦電信號分析中的應用研究[D];太原理工大學;2015年

10 馬小飛;認知任務下的腦電動力學分析[D];南京大學;2017年

相關碩士學位論文 前10條

1 楊濟維;基于半監(jiān)督深度學習的腦電信號特征提取及識別[D];重慶郵電大學;2019年

2 張海濤;基于EEG信號的癲癇發(fā)作狀態(tài)分析方法研究[D];重慶郵電大學;2019年

3 李丹妮;基于運動想象腦電信號的特征提取和分類算法研究[D];重慶郵電大學;2019年

4 高峰星;基于情感腦電信號的分類研究[D];重慶郵電大學;2019年

5 朱延龍;基于穩(wěn)態(tài)視覺誘發(fā)的腦電信號分類算法研究[D];南京航空航天大學;2019年

6 張美妍;基于EEG警覺狀態(tài)檢測方法及實驗研究[D];哈爾濱工業(yè)大學;2019年

7 盛彬;基于信息融合的駕駛危險場景分析識別研究[D];哈爾濱工業(yè)大學;2019年

8 葉彥斌;基于壓縮感知的腦電數(shù)據(jù)壓縮及FPGA實現(xiàn)[D];華南理工大學;2019年

9 劉博翰;基于腦電信號的導聯(lián)篩選及可解釋情緒分類模型研究[D];華南理工大學;2019年

10 沈玉潤;深度學習在腦電信號特征提取及分類中的應用[D];上海交通大學;2018年

本文編號：2893692