一、噪声刺激对鼠行为及脑电活动影响的初步观察（论文文献综述）
刘翰柔[1]（2021）在《基于诱发电位的声感觉评价方法研究》文中研究表明人体舒适性与建筑物理环境息息相关,声环境舒适性是评估室内环境的重要环节,影响人们的工作效率、情绪变化和身体健康。人脑中存在着生物电,即脑电波。自然界的万物皆遵守能量守恒定律,大脑的中枢神经电场也遵守能量守恒规律。当人脑受到外界环境的声音刺激时,神经细胞内外产生神经冲动,神经冲动在神经传导通路中形成脑电流。脑干听觉诱发电位（Brainstem auditory evoked potential,BAEP）是由声刺激引起的神经电位活动客观指标,利用该客观指标反映人体的主观声感受,是客观评价声环境舒适性的一种新研究思路。本文从人体声舒适问题出发,以脑干听觉诱发电位为客观指标,运用小波变换的能量分析方法,结合声感觉评价的主观问卷调查,得到基于BAEP能量系数的声感觉舒适区间,为评价人体声舒适提出新的研究思路和方法。首先,设计噪音环境下声感觉实验,通过控制背景噪音声压级、频率的变化,对受试者的主观声感觉评价进行调查。同时,利用听觉诱发电位仪,对受试者进行脑干听觉诱发脑电的测试实验,记录客观脑电数据。其次,对测得的脑干听觉诱发电位波形曲线的潜伏期、幅值进行分析,研究人体听觉传导通路。最后,运用小波变换能量分析方法,结合声环境舒适度的主观调查问卷,进一步研究人体声舒适机理,得到人体声感觉的舒适评价区间。基于上述研究,本文主要结论如下:（1）主刺激声不变,背景噪音声压级、频率对主观声感觉评价有影响。随着背景噪音声压级的增大,环境响度增强,减弱了刺激感,使人体综合舒适度提高。当背景噪音声压级为高强度时,频率升高,使得刺激感减弱,综合舒适度提高。（2）主刺激声不变,背景噪音声压级、频率对脑干听觉诱发电位潜伏期、幅值有影响。背景噪音声压级增大,诱发电位的Ⅴ波潜伏期延长,诱发电位Ⅰ、Ⅲ、Ⅴ波幅值变化趋势均减小。背景噪音频率增大,诱发电位的Ⅰ波潜伏期提前,Ⅲ、Ⅴ波潜伏期延长,诱发电位的Ⅴ波幅值减小。（3）主刺激声不变,人体的主观声感觉使脑干听觉诱发电位潜伏期、幅值发生变化。环境响度的增大会延长Ⅴ波潜伏期,使Ⅰ、Ⅲ、Ⅴ波幅值降低。人体刺激感的增强会缩短Ⅴ波潜伏期,使Ⅰ、Ⅲ、Ⅴ波幅值增大。人体综合舒适度的提升会延长Ⅴ波潜伏期,使Ⅰ、Ⅲ、Ⅴ波幅值降低。（4）运用小波变换能量分析方法计算“BAEP能量系数”,可对人体声舒适进行客观评价。这种处理方法反映了人耳在接受某声压级下的声音刺激后,大脑皮层神经元突触后电位总和的波动程度。用此方法对声音刺激程度和人体舒适性进行评价,从听觉产生的原理上具有可行性。（5）背景噪音声压级和频率的变化,对“BAEP能量系数”有显着影响。背景噪音声压级不断增大,脑干听觉诱发电位测试中的主声音刺激信号的声压级保持不变,此时信噪比不断降低。随着信噪比的降低,BAEP能量系数不断减小,听觉诱发电位信号的能量减小,大脑听觉神经消耗的能量减少。背景噪音频率的增大也会使BAEP能量系数不断减小,即听觉诱发电位信号的能量减小,大脑听觉神经消耗的能量减少。（6）结合背景噪音声压级、“BAEP能量系数”与人体的主观声感觉评价,得到人体声感觉舒适评价区间。根据能量守恒,人脑的做功转化为了生物电能,人脑做功越多,产生的脑电波就越强,对应的听觉诱发电位的能量就越高。相反的,人脑做功越少,产生的脑电波就越弱,对应的听觉诱发电位的能量就越低。由此可见,利用脑电能量分析的方法遵循人体舒适低能耗的规律。
宋晓宇[2]（2021）在《体感诱发电位脑电高频振荡采集系统》文中认为脑电信号是数以千计的神经元细胞在相同空间取向上同步发生的放电活动,传统脑电信号采集频段主要集中在0.5～30Hz,对高于100Hz的高频段脑电信号的采集研究较少,不同高频频段脑电信号的生理意义也有待进一步研究。本论文结合躯体感觉诱发实验,设计制作了一套能够采集体感诱发电位低频和高频段脑电信号的高采样率脑电信号采集系统。本系统分为脑电放大器和脉冲式电刺激两部分。其中脑电放大器部分包括模拟电路、数字电路以及电脑端采集软件,而模拟电路包括信号的放大滤波、数字化以及电气隔离电路,具有高输入阻抗、低噪声、高采样率、电气隔离安全的特点,数字电路采用FPGA芯片控制数据转化以及数据实时USB传输,电脑端采集软件利用Qt编写,实现数据实时接收保存和绘图显示。整个脑电放大器共有8个信号通道,采样率20KHz,理论设计带宽1.592～1592Hz,模数转换器分辨率24位,信号参考地短接噪声峰峰值<3.5μV,系统共模抑制比可达到109dB以上（50Hz）。体感诱发脉冲式电刺激部分主要包括模拟Howland电流源部分和数字控制部分,刺激模式为脉冲式电刺激,高电平持续时间200μs,刺激频率可调1～30Hz,刺激强度可调0.5～20mA。为验证整个系统的可行稳定性,本文对系统脑电放大器硬件的增益带宽、噪声、共模抑制比等性能进行了测试。最后基于躯体感觉诱发电位实验,在同等条件下分别利用自制设备和商用设备采集了 10个被试的体感诱发N20、HFOs信号,分别从时域和频域观察分析验证了信号的真实性,同时对N20、HFOs的相关参数进行了统计对比分析,最终验证了本文所述系统的可行性,可应用于后续实验科研研究。
黄帆[3]（2021）在《基于脑电信号耦合关系的术中伤害刺激反应性评估研究》文中进行了进一步梳理合理的麻醉使患者在手术过程中安全、无痛,给外科医生提供平稳、良好的手术环境。然而,现有临床麻醉监测手段并不全面,尤其是术中镇痛水平监测远远不足。术中对伤害刺激反应性的监测方法主要有两类:一类基于自主神经活动,对受到自主神经影响的心电、呼吸和脉搏等生理特征进行监测。此类方法,容易受到血液循环系统和呼吸等生理条件干扰;另外一类以脑电为基础,从频谱、非线性和诱发角度对伤害刺激下脑电活动监测。基于脑电的伤害刺激方法可直接在大脑皮层测量伤害刺激反应性。目前,采用脑电频谱特征为主的伤害刺激反应性评价方法在临床上获得了一定认可,但仍存在脑电信号易受干扰和检测准确度低等不足。麻醉相关机理研究已经证明脑电耦合模式的改变为麻醉药物对大脑状态的主要影响之一,但是目前为止,缺乏以脑电耦合为切入点对伤害刺激反应性进行探究的镇痛研究。本文将脑电耦合关系引入伤害刺激反应性的评估,并将脑电的耦合特征与频域特征和非线性特征结合,开展术中镇痛监测方法研究。论文设计了以七氟醚为诱导和维持药物、插管和强直电刺激为标准伤害刺激的临床实验,并采集38名手术患者的多通道脑电数据。通过采用FIR滤波器、独立成分分析、小波阈值去噪和二次变差分约化等方法去除数据中存在的工频干扰、心电和眼电干扰、肌电伪迹和基线漂移。引入调制指数（MI）来刻画脑电通道内和通道间的相位振幅耦合模式对预处理后脑电数据展开分析,结果表明伤害刺激引起患者体动反应时,其前额通道内和通道间的相位振幅耦合强度减弱。进一步对上述脑电数据的多频段功率占比、样本熵与伤害刺激反应性关系展开分析,结果表明伤害刺激体动反应引起中央顶叶α频段减弱和额叶γ频段脑电增强;样本熵在所有脑电通道表现出一致性的增强趋势。最后采用随机森林算法对相关特征权重进行筛选,构建伤害刺激反应性的判别模型和预测模型。通过临床数据展开验证,上述伤害刺激反应性的判别模型准确率达到了92.22%,而伤害刺激反应性的预测模型准确率为78.89%。在对不同特征组合对模型的影响评价中,发现伤害刺激反应性的判别主要受到前额通道内相位振幅耦合模式的影响。而预测受到前额通道内和通道间、额-顶通道间相位振幅耦合模式的影响。这表明脑电相位振幅耦合模式特征的加入,使得模型对伤害刺激反应性的判别和预测的准确率提高。
梁晓哲[4]（2021）在《基于事件相关电位及行为特征对海洛因戒断者的分析和识别》文中研究表明海洛因是依赖性最强的阿片类药物之一,吸食者戒断后在生理上产生恶心、颤栗、发冷或睡眠障碍等症状,心理上出现对海洛因的渴望,行为上产生强烈的觅药倾向。化学检测可以精确地识别出近期吸食过海洛因的人,但是对于中长期戒断者的识别效果不佳。目前,与海洛因戒断者（Abstinent Heroin Addicts,AHAs）相关的研究发现他们大脑内的奖赏加工过程和注意偏向出现了异常,在风险决策任务中表现出了异于常人的行为模式。因此本文使用了一个含有高低风险的赌博范式,在分析两类人群事件相关电位（Event-Related Potential,ERP）和行为差异的基础上,结合不同的特征选择算法和最优化算法构建了分类模型,最终实现了海洛因戒断者和健康对照（Healthy Controls,HCs）的分类。本文的主要结论如下:（1）在任务态下发现相较于正常对照,海洛因戒断者在Fz电极上存在许多统计上有显着差异的ERP成分,这表明他们前额与奖赏有关的回路受到了损伤并难以恢复。在静息状态下,海洛因戒断人群和正常人群的脑电信号无论是在时域上还是时频域上都无显着差异。通过对Fz电极任务态下的数据进一步的分析,ERP的时域结果显示:海洛因戒断者的N100和P300的振幅值减小、P300潜伏期变短,ERP成分上的差异表明海洛因戒断人群对金钱刺激的认知和加工过程仍存在异常。ERP均值和方差的减小表明他们对金钱刺激更不敏感,这与他们行为上的表现一致。ERP的时频域结果表明:N200成分δ节律的能量在四种得失刺激下均出现显着差异。P300成分δ节律的能量在大幅奖惩刺激下产生了显着差异。在两类人群受正性结果刺激时,N100成分δ和θ节律的能量产生了显着差异。行为结果表明:海洛因戒断者对金钱刺激不敏感、处于一个更冲动的行为模式,具体表现为他们偏好于高风险选项、决策时间更短。（2）为了实现快速、准确分类海洛因戒断者和健康对照的目标,本文首先利用了行为数据和Fz电极的ERP数据构造特征。接着使用Relief F和SVM-RFE两种特征选择算法对特征进行排序,最后分别利用粒子群算法和遗传算法构建支持向量机的分类模型。结果表明使用Relief F和PSO算法可以获得最优的分类性能,上述方法对两类人群的分类正确率可达85.22%。对于不同的结果刺激,使用得99分的数据时效果最好,对两类人群分类可以实现88.63%的正确率。通过以上研究,本文证明了海洛因戒断者与健康对照在任务态下仍旧存在ERP和行为特征上的差异,并且经过合理的特征选择算法和最优化算法处理后可以用来识别海洛因戒断者。这些对海洛因戒断人群的研究结果,可以帮助研究他们奖赏回路的异常和分析认知加工过程和注意偏向的改变。本研究弥补了化学检测的不足之处,未来或许可以成为一种海洛因戒断患者的辅助识别方法。
管宏宇[5]（2020）在《基于脑电的声、光、热复合环境对人体舒适度交互作用规律研究》文中指出良好的室内环境有利于保障人员健康和提高工作效率。室内环境包含声、光、热等多个因素,但针对建筑声、光、热复合环境对人体舒适度交互作用的研究相对较少,且研究手段以主观问卷为主,缺少生理参数的支持。复合因素对人体舒适度的影响不是各单因素作用的简单叠加,也不能依据单一因素的作用结果预测。因此,有必要深入研究声、光、热复合环境对人体综合舒适度的交互作用规律。基于此,本文从工学、医学、生理学和心理学等多学科的角度出发,针对不同声、光、热复合环境对人体舒适度交互作用规律展开研究。主要研究内容如下:首先,通过主观评价和生理参数测试相结合的方式,从双因素（热+光、热+声、声+光）复合环境到声+光+热三因素环境,系统地研究了不同声、光、热复合环境对人体舒适度的交互作用。结果表明热+光复合环境下,色温影响热感觉,在近热舒适区,光舒适不受温度的影响;热+声复合环境下,热舒适受声环境的影响,乐音可以改善人员满意度;声+光复合环境下,声环境对光舒适有显着影响,但不影响光感觉,光环境对声舒适无显着影响;声+光+热复合环境下,温度、照度、色温、声压级、声音种类对人体综合舒适度影响效应不同,在本研究的实验条件下,各影响因素效应量排序:声压级>温度>声音种类>照度>色温。然后,在总结人体声感觉、光感觉、热感觉生理反应机制的基础上,提出使用脑电技术研究声、光、热复合环境对人体舒适度作用机理的研究方法。结合脑电与人体生理、心理的关系,总结了脑电技术用于声、光、热复合环境下人体舒适度机理研究的生理心理学基础。而后,在典型舒适和不舒适环境的基础上,使用自发脑电技术研究了不同综合舒适度环境对脑电特征参数的影响。结果表明室内环境对大脑皮层活动有显着影响。与不舒适环境相比,舒适环境下顶叶（P3,P4）脑电总能量更小,额叶（Fp1,Fp2）的Theta频段能量占比更高。舒适状态下,大脑处于低能耗状态,从能耗角度解释了不同环境对人体综合舒适度的影响机理,证明脑电可作为客观描述人体综合舒适度的生理参数。最后,在典型舒适和不舒适环境的基础上,使用事件相关电位技术研究了不同综合舒适度环境对人员心理影响。结果表明室内环境可以对人员产生心理效应,不同综合舒适度环境下,情绪图片诱发的情绪唤起不同,不舒适环境下人员更易产生负性情绪,影响人体主观感受。本文研究成果对改善室内环境、提高人员满意度及完善相关的综合舒适度标准均具有重要意义。
肖晓琳[6]（2020）在《基于微弱事件相关脑电特征的脑—机编解码关键技术及应用研究》文中认为脑-机接口（Brain-computer interface,BCI）作为人脑和输出设备间直接的控制和交流通路,可为大脑提供全新的对外信息交互方式。基于事件相关电位（Event-related potential,ERP）的BCI系统是目前交互速度最快、信息传输速率最高的BCI系统。然而,受ERP响应幅值低、信噪比弱的限制,目前仍难以实现基于ERP-BCI的自然、高效编解码,也阻碍了BCI技术走向实用化的进程。针对上述问题,研究围绕发展新型编码范式、设计稳定解码算法和开发交互友好的BCI系统三个方面展开,探究基于微弱事件相关脑电特征的脑-机编解码关键技术及应用。针对ERP-BCI多依赖视觉强刺激、可编码特征受限的问题,设计实施了4种刺激参数下非对称视觉诱发电位（Asymmetric visual evoked potential,a VEP）的特征诱发实验,厘清了a VEP的时-空多维神经响应特性,据此开发了空-码分多址（Space-code division multiple access,SCDMA）混合编码范式,设计实施了7种空间编码下的a VEP-BCI实验,通过分析a VEP的多维特性、计算a VEP的识别正确率、对比受试者的评分量表等方式,确定了远离中央视野、分类效果更好、舒适性更高的视觉刺激参数和基于SCDMA的最优编码范式。针对ERP特征噪声强、范围广、差异大导致解码效率低的问题,设计实施了多种ERP特征的诱发实验,结合判别模式空间滤波和典型模式匹配开发了一种通用型解码算法——判别典型模式匹配（Discriminative canonical pattern matching,DCPM）,将该算法应用于5种ERP数据集（a VEP、P300、EPFL、RSVP、m VEP）的单试次特征分类识别,同时对比了7种经典ERP解码算法,结果表明DCPM在所有测试数据集中的分类效果均优于其他算法,且在小样本条件下优势更加明显,证明DCPM鲁棒性高、泛化性强、可有效提升ERP-BCI的个体内解码效率。针对部分ERP响应极性变化大、个体差异性大导致解码效率低的问题,设计实施了大样本ERP特征诱发实验,利用向前/向后逐步回归和线性判别思想开发了一种可用于个体内和跨个体识别的ERP解码算法——多窗口判别欧式模板匹配（Multi-window discriminative Euclidean pattern matching,MWDEPM）,将该方法应用于2种ERP特征（P300、Err P）的分类识别,并基于多人数据建立了不同ERP特征的跨个体通用模型,结果表明MWDEPM的个体内和跨个体识别效果均优于DCPM算法,其中P300字符识别的个体内和跨个体正确率平均提升了8.18%和3.65%,证明MWDEPM可进一步提升ERP特征的个体内/跨个体解码效率。针对ERP-BCI多采用显性脑电特征、难以识别和应用极微弱特征的问题,设计实施了3种ERP特征（a VEP、P300、SSVEP）的诱发实验和基于a VEP的脑-机字符拼写离线/在线实验,利用视网膜-皮层映射图定量对比了不同ERP特征的视觉资源占用情况,设计了可提升微弱脑电特征信噪比、适用于a VEP特征识别的多模板匹配解码算法,建立了基于周围视野弱刺激的脑-机字符拼写系统,系统在线信息传输速率可达63.33bits/min,实现了对亚微伏级极微弱a VEP特征（<1μV）的识别与应用。综上,研究开创了一种利用多维脑电特征的弱刺激型BCI编码范式,提出了一种基于空间滤波和特征增强的新型BCI解码思路,设计实施了多种ERP特征的诱发与应用实验,通过定性分析和定量对比证明了编码范式的高舒适性和解码算法的强鲁棒性,最终形成了一套可应用于事件相关脑电响应的新型脑-机编解码方法,相关成果有效提升了ERP-BCI的编解码效率,为研发新一代BCI技术并实现其应用转化开辟了新路径、提供了新方法。
李广晔[7]（2020）在《基于立体脑电的手部运动脑机接口关键技术与神经响应机制研究》文中进行了进一步梳理脑机接口是一项通过利用大脑神经信号实现人脑同外界直接沟通的技术。该技术的出现,为帮助因大脑向肌肉传递神经冲动的通路受损而丧失运动功能的患者重新获取同外界交互的能力,提供了一种全新的解决方案。近30年来,脑机接口已经取得了长足的进步。其中,侵入式脑机接口因其直接在颅内植入电极采集脑神经活动,能获取到更高质量的神经信号,因此使通过脑电直接解码精细运动成为了可能。然而目前侵入式脑机接口仍然主要存在着解码信息有限并且稳定性较差等问题,其中的一个重要原因是对大脑在运动控制上的神经机制的理解仍然非常有限。因此,为更好的服务于脑机接口,本文采用侵入式的立体脑电（Stereoencephalography,SEEG）为脑神经信息采集手段,重点开展了在人体手部运动时大脑神经响应机制的研究工作,并基于研究结果开展了利用SEEG信号解码人体手部运动并控制机械假肢手的应用尝试。为基于SEEG开展神经机理以及应用研究,本文首先解决了SEEG技术中存在的三个关键的基础技术问题:（1）由于SEEG为颅内脑电,其电极定位和可视化需依赖于软件进行。针对目前已有定位和可视化软件功能不全、操作复杂等问题,本文开发了一个可以用于SEEG电极定位和可视化的Matlab工具包软件。针对以往软件功能不全的问题,本文中的软件提供了丰富的功能,满足了SEEG研究的大多数需求。针对操作复杂的问题,该软件将多种功能集成于一个Matlab接口并提供基于用户界面的操作方式,极大的简化了用户操作。该软件为本论文后续研究提供了基础工具;（2）针对SEEG信号预处理过程中采用何种空间滤波方式可以最大限度的提升信号质量未知的问题,本文采用多例受试者SEEG数据,应用了6种不同的空间滤波方法,并使用三种信号指标对这些方法的效果进行了全面评估。实验数据分析结果表明,拉普拉斯方法对于SEEG信号质量提升具有最显着的效果。本文的发现,确立了适用于SEEG的空间滤波方法,回答了SEEG信号质量提升方法的问题;（3）针对皮层以下神经电信号特征很大程度上未知的问题,本文中借助于SEEG信号记录,对皮层之下白质中的神经信号特征进行了研究。采用了近邻组织密度方法,精确定位白质通道,通过信号分析,发现了在运动任务状态下,大脑白质中会呈现与灰质类似但幅值显着要低的激活。进一步地,通过对白质中信号来源开展验证,探究了可能的信号来源。本文揭示了白质中信号特征,证明了白质中也可以采集到与任务相关信息,拓展了可用于SEEG研究的神经信号源。之后,针对大脑在运动控制上的神经机制仍然不够清晰的问题,本文开展了对视觉提示下做手部运动时人大脑神经响应特征的探究,重点回答了神经机制中的3个W问题。利用多例SEEG数据,采用基于高频成分的分析方法,确定了任务下响应脑区以及各个脑区与任务的相关度分布（Where）;通过开发改进型单实验次神经激活检测算法,揭示了大脑主要响应脑区大规模尺度下的激活时序（When）;依据各通道中所呈现的神经激活响应模式,评估了主要脑区在任务处理过程中的功能属性（What）。最后,基于以上研究发现,本文阐述了在任务下大脑可能的神经响应机制,揭示了与运动控制相关的几个重要脑区,增进了对大脑的认知,同时也为提升脑机接口性能和创建新的脑机接口范式提供了线索。最后,基于前面的研究基础,针对SEEG运动脑机接口研究仍然匮乏的问题,本文首次开展了使用SEEG解码人体手部运动并控制机械假肢手的研究,搭建了基于SEEG的脑机接口软硬件控制平台,选用信号的频带能量作为特征,通过区分度系数筛选出关键通道,利用线性判别分析和支持向量机双分类器解码控制者的运动状态和三种不同的手势。实验结果表明,仅使用少数通道,受试者即可实现利用自身脑信号异步控制机械假肢手做出不同的手势,解码的正确率为78.7%（机会水平为25.0%）,验证了利用SEEG实现脑机运动控制的可能性,丰富了基于SEEG的脑机接口成果。
崔俭俭[8]（2020）在《不同难度的视觉任务认知决策过程脑机制的研究》文中研究指明对于不同任务难度下的认知决策而言,在决策执行之前,隐含着一系列复杂的认知加工过程。探究不同难度视觉任务认知决策过程中大脑的活动机制,对于我们深入了解和利用大脑,发展类脑人工智能有重要意义。但目前对认知决策过程中大脑的工作机制研究较少,对不同难度任务认知决策过程的脑内源活动缺乏统一的结论,并且对各活动脑区之间信息的交互作用也了解甚少。针对以上两点问题,本文设计了不同视觉任务难度下的认知决策实验范式,采集了15名健康被试的实验过程的头皮脑电信号,进行脑电源定位并构建动态因果网络,从而探究认知决策过程中脑内源分布的活动变化情况,以及随着时间变化各活动脑区之间的信息流向。本文完成的主要工作和取得的成果有:（1）实验范式设计。实现了图片不同清晰度的模糊化,把图片的不同清晰度作为任务难度界定,并采用按键作为决策执行反应。（2）不同任务难度认知决策过程的事件相关电位（Event-related potential,ERP）分析。通过行为学的识别决策反应时间和准确度,确定了具有显着差异难度的图片清晰度,对所有被试的脑电数据进行叠加平均得到ERP,确定了认知过程中早期阶段代表感知过程的N1成分,以及认知阶段代表难度的D220成分和反映认知的N300成分。（3）不同任务难度认知决策过程脑电源定位。对不同阶段的ERP认知成分进行溯源分析,结果表明,图片不同清晰度认知决策时,激活的脑区无明显差异,只是在时间上有区别,任务难度越大,认知和决策阶段的时间越长。在认知的早期阶段,激活了枕叶的BA19区域（视觉联合皮层）,对事物进行初步认识;在认知的中期阶段,主要是额叶的BA9区域（认知区域）和枕叶的BA19区域在执行认知功能,对事物的特征进行记忆、分析和判别;在认知过程结束后、决策前期,BA6（辅助运动区）和BA5、BA7区域（体感联合区）根据认知结果进行运动协调和规划,为按键运动做准备。（4）动态因果网络的构建与分析。基于源定位结果构建ADTF动态因果网络,得到连续时间内大脑各活动区域之间的信息流向变化。结果显示,在认知的不同阶段,图片清晰度不同时各个源之间有不同程度的信息的耦合,区别在于图片清晰度低时枕叶的左右半球之间存在信息交流,图片清晰度高时只有枕叶右半球与其他区域之间的信息交互,而左半球的枕叶部位则没有。
张磊[9]（2020）在《实用化多模态脑-机接口中若干关键技术的研究》文中进行了进一步梳理脑-机接口（Brain-Computer Interface,BCI）是一种特殊的人机交互技术,其以头皮表面检测到的脑电信号（Electroencephalogram,EEG）为信息载体,实现人脑对外部设备的直接控制。BCI技术的研究具有重要的理论意义和广阔的应用前景。基于EEG的BCI系统主要有四种类型:稳态视觉诱发电位（Steady-State Visual Evoked Potentials,SSVEPs）、运动想象（Motor Imagery,MI）、基于事件相关电位的P300和慢皮质电位。不同类型的BCI系统各有优缺点。混合BCI技术是通过结合两种或两种以上的传统BCI模式来弥补单一模式的缺点,开发出功能更强、稳定性更好的多模态BCI系统。尽管脑-机接口系统的性能方面获得了很大的突破,但就目前而言,BCI系统在可靠性和普适性方面还不够完美。这些不足主要是由于脑电信号低的信噪比,易受噪声干扰和非稳态特性引起的。本论文主要对BCI研究领域的运动想象和稳态视觉诱发两大方向展开相关研究。以脑-机交互的自主可控性和稳定性改善为主要目标,并注重训练和操作过程的“自然性”和“舒适性”等指标,从而设计与实现实用化的BCI在线系统。围绕上述目标,分别从脑电信号采集、信号处理、特征提取和分类识别等模块进行相关研究。研究内容主要包含两大部分,即理论研究和系统实现。理论研究的核心是EEG信号处理和模式识别算法的研究。在运动想象脑-机接口（Motor Imagery BCI,MI-BCI）方面,重点研究共同空间模式（Common Spatial Pattern,CSP）和独立分量分析（Independent Component Analysis,ICA）的空域滤波方法在MI-BCI中的合理应用。在SSVEP-BCI方面,重点研究典型相关算法（Canonical Correlation Analysis,CCA）在异步BCI中的应用。为了综合评测不同算法的性能指标,分别建立了MI-BCI和SSVEP-BCI数据库和算法评测平台。系统实现的难点是建立合理的脑-机协同控制策略,研究多模态BCI的融合技术,搭建在线和异步模式的BCI系统。在系统实现的过程中,需要解决一系列工程问题,例如软件系统的开发、数据的实时通信、算法的识别精度与执行效率之间平衡等情形。本文的主要贡献和创新点主要体现在以下几个方面:第一,针对传统的CSP算法稳定性不好和训练模型易受噪声干扰的缺点,本文综合现有多种类型CSP算法的优点,从时间-频率-空间联合优化角度出发,提出滑动频带滤波的CSP算法,用于自动寻找稳定的个性化特征参数。该方法可以有效降低检测阶段的计算成本,便于实现少导联和低成本的BCI系统。实验结果表明,所提算法不仅识别率好,而且执行效率高,满足在线模式MI-BCI系统开发的需求。第二,为了减少MI-BCI系统的训练时间和解决传统的ICA算法不易使用的劣势,通过对多种经典的ICA算法进行研究和对比分析,提出一种应用于MI-BCI在线系统检测的改进的信息极大化ICA算法。该方法可从较少的无标签训练数据中自动检测和输出与运动想象类别相关的独立分量,大幅缩短训练时间,有效提高计算效率;此外,所提算法在不同被试之间具有较好的模型迁移性能,鲁棒性好,所设计的BCI系统运行状态稳定。第三,针对现有的MI-BCI系统目标较少和信息传输率较低的局限性,本文融合自发脑电alpha节律可以自主控制和SSVEP目标数量多的优点,设计一种新型模式混合的BCI系统。同时提出一种滑动窗投票判断策略的算法,能够将计算效率高效的CCA算法应用于连续控制的异步SSVEP-BCI系统中。结果显示,系统的信息传输速率（Information Transmission Rate,ITR）和灵敏度都得到了明显的提高,这对开发实用化的多模态BCI在线系统具有重要的意义。第四,依照设计目标,分别设计与开发了基于空域滤波的MI-BCI同步在线系统、基于EEG和EOG混合的异步MI-BCI系统以及基于Alpha节律和SSVEP混合的异步BCI系统,各项指标满足设计要求。系统实现工作使得BCI理论研究成果可以落地,表明本论文所做的工作具有实际应用价值。文章最后,对本论文的研究工作和相关成果进行总结,并对下一步的研究方向进行展望。
王仲朋[10]（2019）在《脑机交互运动训练的神经反馈响应关键机制及卒中康复应用》文中进行了进一步梳理运动是人类存活、劳动及对外交流的必备功能,但常因疾病或意外而受损甚至丧失。脑卒中（Stroke）是我国与全球第一致残疾病,其低龄发病、高障碍后遗、特长病程折磨和巨大医资消耗令社会不堪重负、难以防治。因此,卒中康复技术研究具有重大科学价值和社会意义。但传统康复训练难以诱导患者主动操控肢体的皮层-肌肉耦合,尤缺镜像神经元与神经可塑机制配合,导致康复效果受限。近年基于脑-机接口（Brain-computer Interface,BCI）等新兴人机交互技术的运动神经反馈训练（Neurofeedback Training,NFT）新方法能使中枢神经信息量化可视与肢体运动真实可感,促进整体神经传导通路与运动功能全面按意愿主动修复与重建,为运动神经康复技术革命带来了全新希望。论文面向卒中运动功能康复迫切需求,聚焦探索运动神经反馈训练中皮层神经诱导规律及其可塑性康复机制,主攻神经信息解码与反馈调控间高效匹配等关键难题。基于脑电（Electroencephalography,EEG）、近红外光谱（Near Infrared Spectroscopy,NIRS）脑血氧联合检测方法对比研究了不同运动反馈训练模式的神经响应机制以揭示BCI耦合调控作用机理;创新提出并设计了基于BCI的视、触觉运动神经反馈训练方法,结合EEG-NIRS特征融合分析了其神经诱导机制与运动康复训练效果;研究了时程因素影响下新型运动神经反馈训练的EEG、肌电（Electromyography,EMG）响应及其耦合关系;集成设计了多模态运动神经反馈训练系统并初步尝试用于典型长时程卒中运动功能康复训练,验证其临床实施的有效可行性。研究结果表明,BCI技术在运动神经反馈训练中能发挥关键耦合调控作用,驱动功能性电刺激（Functional Electrical Stimulation,FES）可诱发更强脑电生理活动和血液动力学响应;采用BCI人机信息交互联合视觉场景与电刺激触觉运动神经反馈训练可显着强化运动想象（Motor Imagery,MI）诱发的皮层神经激活效应,提升识别大脑主观运动意愿性能（提升～9%）,且EEG-NIRS特征融合可显着优化交互信息分类识别效果（平均～89%）;发现EEG-EMG多频段耦合效应,且卒中患者经新型运动神经反馈训练初疗程后即能显着提升其皮层-肌肉活动水平;证实多模态运动神经反馈集成训练系统可有效改善卒中患者行为学表现和运动功能特征;最终实现了“训练+评估”一体化的多模态运动神经反馈训练系统设计,初步验证了其用于卒中运动康复训练的有效性。相关成果有望支撑新一代神经康复技术的发展与应用。
二、噪声刺激对鼠行为及脑电活动影响的初步观察（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、噪声刺激对鼠行为及脑电活动影响的初步观察（论文提纲范文）
（1）基于诱发电位的声感觉评价方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状分析 |
| 1.3 本文主要研究内容与研究方法 |
| 第2章 人体听神经及声感觉的理论基础 |
| 2.1 人体听觉传导理论 |
| 2.2 声环境理论基础 |
| 2.3 脑干听觉诱发电位 |
| 2.4 本章小结 |
| 第3章 噪音环境下声感觉实验研究 |
| 3.1 实验目的 |
| 3.2 实验台概况 |
| 3.3 实验方案设计 |
| 3.4 本章小结 |
| 第4章 主观声感觉与诱发电位相关性研究 |
| 4.1 人体主观声感觉评价结果分析 |
| 4.2 听觉诱发电位潜伏期变化分析 |
| 4.3 听觉诱发电位幅值变化分析 |
| 4.4 诱发脑电潜伏期、幅值与主观声感觉评价的关系 |
| 4.5 本章小结 |
| 第5章 噪音环境下声感觉评价方法研究 |
| 5.1 听觉诱发电位的数据处理方法 |
| 5.2 噪音环境下听觉诱发电位能量分析 |
| 5.3 基于能量分析的主观声感觉评价方法 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 本文结论 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及科研工作 |
| 致谢 |
（2）体感诱发电位脑电高频振荡采集系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 体感诱发高频振荡信号研究历史及现状 |
| 1.3 脑电放大器研究历史及现状 |
| 1.4 本文的主要贡献与创新 |
| 1.5 本论文的结构安排 |
| 第二章 体感诱发电位脑电高频振荡采集系统概述 |
| 2.1 脑电产生机制及其分类 |
| 2.2 脑电放大器相关知识 |
| 2.2.1 脑电放大器电极和导联 |
| 2.2.2 脑电放大器性能指标 |
| 2.3 体感诱发电位 |
| 2.3.1 低频段体感诱发电位 |
| 2.3.2 高频段体感诱发电位 |
| 2.4 体感诱发电位脑电高频振荡采集系统总体设计方案 |
| 2.5 本章小结 |
| 第三章 体感诱发电位脑电高频振荡采集系统硬件设计 |
| 3.1 脑电放大器电路设计 |
| 3.1.1 顶层连接电路 |
| 3.1.2 模拟前端电路 |
| 3.1.2.1 信号放大滤波电路 |
| 3.1.2.2 模数转换电路 |
| 3.1.2.3 数字隔离电路 |
| 3.1.3 FPGA处理器电路 |
| 3.1.4 USB接口电路 |
| 3.1.5 标志信号电路 |
| 3.1.6 电源电路 |
| 3.2 电刺激设备电路设计 |
| 3.2.1 顶层连接电路 |
| 3.2.2 Howland电流源电路 |
| 3.2.3 STM32 处理器电路 |
| 3.2.4 电源电路 |
| 3.3 本章小结 |
| 第四章 体感诱发电位脑电高频振荡采集系统软件设计 |
| 4.1 脑电放大器软件设计 |
| 4.1.1 FPGA处理器程序 |
| 4.1.1.1 ADC数据采集程序 |
| 4.1.1.2 FIFO数据发送程序 |
| 4.1.2 USB芯片程序 |
| 4.1.3 电脑端软件程序 |
| 4.2 电刺激设备软件设计 |
| 4.3 本章小结 |
| 第五章 设备性能与实验验证 |
| 5.1 设备性能验证 |
| 5.1.1 增益带宽测试 |
| 5.1.2 噪声测试 |
| 5.1.3 共模抑制比测试 |
| 5.1.4 其他性能测试 |
| 5.2 体感诱发电位脑电高频振荡采集实验 |
| 5.2.1 实验设计 |
| 5.2.2 数据处理方法 |
| 5.2.3 数据结果分析 |
| 5.3 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）基于脑电信号耦合关系的术中伤害刺激反应性评估研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 全身麻醉下脑意识水平研究 |
| 1.2.2 伤害刺激下脑应激机制研究 |
| 1.2.3 伤害刺激反应性临床监测现状 |
| 1.3 论文目标和概述 |
| 2 脑电跨频相位振幅耦合 |
| 2.1 脑电信号的特征 |
| 2.2 基于脑电信号分析同步现象的研究 |
| 2.3 相位振幅耦合关系 |
| 2.4 调制指数MI |
| 2.5 本章小结 |
| 3 临床实验方案及脑电信号预处理 |
| 3.1 麻醉方案及数据采集 |
| 3.1.1 研究对象 |
| 3.1.2 临床麻醉方案 |
| 3.1.3 数据采集及分布 |
| 3.2 脑电信号预处理 |
| 3.2.1 FIR滤波器 |
| 3.2.2 独立成分分析 |
| 3.2.3 小波阈值去噪 |
| 3.2.4 二次变差分约化 |
| 3.3 本章小结 |
| 4 脑电特征与伤害刺激反应性关系分析 |
| 4.1 耦合特征分析 |
| 4.1.1 通道内部的相位振幅耦合 |
| 4.1.2 通道之间的相位振幅耦合 |
| 4.2 频域特征及分析 |
| 4.3 非线性特征分析 |
| 4.4 本章小结 |
| 5 术中伤害刺激反应性的判别与预测研究 |
| 5.1 随机森林算法 |
| 5.1.1 决策树 |
| 5.1.2 随机森林 |
| 5.2 学习及训练 |
| 5.2.1 学习任务和数据标签 |
| 5.2.2 特征筛选 |
| 5.2.3 参数调节 |
| 5.3 模型评估 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作内容总结 |
| 6.2 研究局限性及展望 |
| 参考文献 |
| 攻读学位的期间发表的论文 |
（4）基于事件相关电位及行为特征对海洛因戒断者的分析和识别（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 成瘾相关理论研究现状 |
| 1.2.1 海洛因成瘾机制 |
| 1.2.2 脑科学相关技术 |
| 1.2.3 成瘾者的相关研究 |
| 1.3 本文研究内容 |
| 1.4 本文结构安排 |
| 第二章 脑电信号及预处理 |
| 2.1 脑电信号概述 |
| 2.2 脑电信号的采集及相关原理 |
| 2.2.1 脑电信号特点 |
| 2.2.2 脑电电极及安放方法 |
| 2.2.3 实验准备过程 |
| 2.3 数据处理过程 |
| 2.4 本章小结 |
| 第三章 相关算法介绍 |
| 3.1 特征选择算法 |
| 3.1.1 ReliefF算法 |
| 3.1.2 SVM-RFE算法 |
| 3.2 最优化算法 |
| 3.2.1 网格寻优算法 |
| 3.2.2 遗传算法 |
| 3.2.3 粒子群算法 |
| 3.3 支持向量机 |
| 3.4 小波分析 |
| 3.5 本章小结 |
| 第四章 海洛因戒断人群的ERP和行为特征分析 |
| 4.1 研究目的和研究意义 |
| 4.2 实验材料及数据处理流程 |
| 4.2.1 实验范式与流程设计 |
| 4.2.2 实验对象 |
| 4.2.3 电极选择 |
| 4.3 实验结果 |
| 4.3.1 不同电极结果 |
| 4.3.2 事件相关电位统计结果 |
| 4.3.3 行为结果 |
| 4.4 结果讨论 |
| 4.5 本章小结 |
| 第五章 海洛因戒断人群的识别研究 |
| 5.1 研究目的和研究意义 |
| 5.2 构建脑电特征及行为特征 |
| 5.3 分类模型的构建 |
| 5.4 实验结果及讨论 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（5）基于脑电的声、光、热复合环境对人体舒适度交互作用规律研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 声、光、热复合环境对人员舒适度影响研究现状 |
| 1.2.2 脑电技术的研究现状 |
| 1.2.3 总结与评价 |
| 1.3 本文主要工作 |
| 1.3.1 研究内容 |
| 1.3.2 论文框架 |
| 第2章 声、光、热复合环境对人体舒适度交互影响研究 |
| 2.1 引言 |
| 2.2 实验研究 |
| 2.2.1 受试人员与实验场所 |
| 2.2.2 实验工况 |
| 2.2.3 实验内容和流程 |
| 2.3 数据的统计分析方法 |
| 2.4 结果与讨论 |
| 2.4.1 环境参数 |
| 2.4.2 双因素(热+光)复合环境中人体主观感受及生理参数 |
| 2.4.3 双因素(热+声)复合环境中人体主观感受及生理参数 |
| 2.4.4 双因素(声+光)复合环境中人体主观感受及生理参数 |
| 2.4.5 三因素(声+光+热)环境中人体综合舒适度 |
| 2.4.6 影响综合舒适度的环境因素权重 |
| 2.5 本章小结 |
| 第3章 脑电技术用于研究声、光、热环境下人体综合舒适度的理论基础 |
| 3.1 引言 |
| 3.2 声、光、热感觉产生的生理学基础 |
| 3.2.1 声感觉的生理反应机制 |
| 3.2.2 光感觉的生理反应机制 |
| 3.2.3 热感觉的生理反应机制 |
| 3.2.4 总结 |
| 3.3 脑电用于研究综合舒适度的生理心理学基础 |
| 3.3.1 自发脑电 |
| 3.3.2 诱发电位 |
| 3.3.3 脑电与人体生理的关系 |
| 3.3.4 脑电与人体心理的关系 |
| 3.4 本章小结 |
| 第4章 不同综合舒适度环境对人体脑电生理指标的影响 |
| 4.1 引言 |
| 4.2 实验研究 |
| 4.3 数据处理及统计 |
| 4.3.1 脑电数据预处理 |
| 4.3.2 电极选择 |
| 4.3.3 离散小波变换 |
| 4.3.4 统计分析 |
| 4.4 实验结果 |
| 4.4.1 主观评价 |
| 4.4.2 EEG总能量 |
| 4.4.3 频谱能量分析 |
| 4.4.4 相关性分析 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第5章 基于事件相关电位技术的人体综合舒适度心理研究 |
| 5.1 引言 |
| 5.2 实验研究 |
| 5.3 实验结果 |
| 5.3.1 人体主观感受和行为结果 |
| 5.3.2 ERP成分及统计分析 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 本文结论 |
| 6.2 本文创新点 |
| 6.3 局限性与展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文及科研工作 |
| 致谢 |
（6）基于微弱事件相关脑电特征的脑—机编解码关键技术及应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 脑电图学概述 |
| 1.1.2 事件相关电位基础 |
| 1.1.3 脑-机接口概述 |
| 1.2 基于事件相关电位的脑-机接口研究进展 |
| 1.2.1 基于事件相关电位的脑-机编码范式 |
| 1.2.2 基于事件相关电位的脑-机解码算法 |
| 1.2.3 依赖型/独立型ERP-BCI |
| 1.2.4 发展趋势与挑战 |
| 1.3 研究目的与意义 |
| 1.4 主要研究内容与章节安排 |
| 第2章 非对称事件相关电位的神经响应及编解码方法 |
| 2.1 基于非对称性脑电特征的研究发展 |
| 2.2 实验方案设计及数据采集方法 |
| 2.2.1 基于空-码分多址混合编码的实验范式设计 |
| 2.2.2 数据采集与实验系统构建 |
| 2.3 数据处理与分析方法 |
| 2.3.1 EEG处理与分析方法 |
| 2.3.2 统计学分析和系统评价参数 |
| 2.4 实验结果分析 |
| 2.4.1 非对称事件相关电位的神经响应及模式识别分析 |
| 2.4.2 不同编码范式下的神经响应及系统性能对比 |
| 2.5 本章小结 |
| 第3章 基于多类事件相关电位的判别典型模式匹配算法及应用 |
| 3.1 基于事件相关电位的脑-机接口算法研究进展 |
| 3.2 实验方案设计及数据采集方法 |
| 3.2.1 a VEP-BCI实验方案与数据采集 |
| 3.2.2 P300-BCI实验方案与数据采集 |
| 3.2.3 事件相关电位公开数据的实验方案介绍 |
| 3.3 基于事件相关电位的典型模式识别方法 |
| 3.3.1 基于线性判别分析的改进算法 |
| 3.3.2 xDAWN+BLDA算法 |
| 3.3.3 EEGNet神经网络算法 |
| 3.4 判别典型模式匹配算法 |
| 3.5 实验结果分析 |
| 3.5.1 多类事件相关电位的神经响应特征分析 |
| 3.5.2 判别典型模式匹配算法与其他典型方法对比分析 |
| 3.6 本章小结 |
| 第4章 基于多窗口判别欧式模板匹配的个体内/跨个体识别研究及应用 |
| 4.1 跨个体脑-机接口及错误相关电位概述 |
| 4.2 实验方案设计及数据采集方法 |
| 4.2.1 P300 诱发实验方案与数据采集 |
| 4.2.2 ErrP诱发实验方案与数据采集 |
| 4.3 多窗口判别欧式模板匹配算法 |
| 4.4 基于线性判别和逻辑回归的决策方法 |
| 4.5 基于xDAWN的导联筛选方法 |
| 4.6 实验结果分析 |
| 4.6.1 基于P300 特征的个体内及跨个体字符识别分析 |
| 4.6.2 基于ErrP特征的个体内及跨个体特征识别分析 |
| 4.7 本章小结 |
| 第5章 基于极微弱事件相关电位的脑-机字符拼写系统 |
| 5.1 视觉型脑-机接口研究现状与挑战 |
| 5.2 实验设计与数据采集 |
| 5.2.1 基于视觉诱发电位的实验设计 |
| 5.2.2 数据采集与预处理方法 |
| 5.3 特征提取与解码算法 |
| 5.3.1 视网膜-皮层映射图 |
| 5.3.2 信噪比与r~2系数计算方法 |
| 5.3.3 基于SCDMA编码范式下的DCPM解码算法 |
| 5.4 实验结果分析 |
| 5.4.1 视觉诱发电位刺激和响应特征分析 |
| 5.4.2 离线实验结果分析 |
| 5.4.3 在线实验结果及系统性能分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（7）基于立体脑电的手部运动脑机接口关键技术与神经响应机制研究（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 脑机接口的组成及分类 |
| 1.2.1 脑机接口的组成 |
| 1.2.2 脑机接口的分类 |
| 1.3 基于侵入式运动脑机接口的研究现状 |
| 1.4 研究动机 |
| 1.5 拟解决的问题 |
| 1.6 本文的研究内容 |
| 第二章 颅内脑电电极定位和可视化软件开发 |
| 2.1 引言 |
| 2.2 系统和软件介绍 |
| 2.3 电极定位和大脑模型重建 |
| 2.4 电极解剖学位置辨识 |
| 2.5 大脑激活图谱生成 |
| 2.6 标准大脑空间转换 |
| 2.7 结果讨论 |
| 2.8 本章小结 |
| 第三章 立体脑电的最优空间滤波技术设计与评估 |
| 3.1 引言 |
| 3.2 实验方法与数据处理 |
| 3.2.1 实验数据采集 |
| 3.2.2 实验范式 |
| 3.2.3 电极定位 |
| 3.2.4 重参考方法 |
| 3.2.5 实验数据处理 |
| 3.2.6 信号质量评估 |
| 3.3 实验结果 |
| 3.3.1 重参考方法对全局相关系数的影响 |
| 3.3.2 重参考方法对任务相关通道占比的影响 |
| 3.3.3 重参考方法对R~2值的影响 |
| 3.4 结果讨论 |
| 3.5 本章小结 |
| 第四章 基于立体脑电的皮层下脑电信号特征评估 |
| 4.1 引言 |
| 4.2 实验方法与数据处理 |
| 4.2.1 受试者和实验数据采集 |
| 4.2.2 实验范式 |
| 4.2.3 电极定位 |
| 4.2.4 实验数据处理 |
| 4.2.5 任务相关通道检测 |
| 4.2.6 评估参数设计 |
| 4.2.7 白质信号激活的起源 |
| 4.3 实验结果 |
| 4.3.1 大脑灰质与白质信号对比 |
| 4.3.2 大脑白质信号起源的评估 |
| 4.4 结果讨论 |
| 4.4.1 SEEG电极定位 |
| 4.4.2 白质激活幅值 |
| 4.4.3 容积导电对白质信号的影响 |
| 4.5 本章小结 |
| 第五章 视觉运动下大脑神经响应机制探究 |
| 5.1 引言 |
| 5.2 实验方法与数据处理 |
| 5.2.1 受试者,数据采集以及实验范式 |
| 5.2.2 电极定位 |
| 5.2.3 数据预处理 |
| 5.2.4 任务相关通道检测 |
| 5.2.5 神经激活时间检测 |
| 5.2.6 神经激活模式评估 |
| 5.3 实验结果 |
| 5.3.1 任务下神经激活响应区域分布(Where) |
| 5.3.2 任务下神经活动的时空演化(When) |
| 5.3.3 神经激活与任务的关系(What) |
| 5.4 结果讨论 |
| 5.4.1 任务下神经激活响应区域分布(Where) |
| 5.4.2 任务下神经活动的时空演化(When) |
| 5.4.3 任务下不同ROI与任务的关系(What) |
| 5.4.4 任务下的神经响应机制 |
| 5.5 本章小结 |
| 第六章 基于立体脑电的手部运动脑机接口解码 |
| 6.1 引言 |
| 6.2 实验方法与数据处理 |
| 6.2.1 BCI系统架构 |
| 6.2.2 实验范式 |
| 6.2.3 数据采集 |
| 6.2.4 电极定位 |
| 6.2.5 信号处理与特征提取 |
| 6.2.6 通道筛选 |
| 6.2.7 脑电解码 |
| 6.2.8 性能评估 |
| 6.3 实验结果 |
| 6.3.1 时频分析 |
| 6.3.2 电极定位与通道筛选 |
| 6.3.3 系统测试结果评估 |
| 6.4 结果讨论 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文工作总结 |
| 7.2 本文创新点 |
| 7.3 未来工作展望 |
| 附录A 论文中英文缩写列表 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表和已接收的学术论文 |
| 攻读学位期间已投稿的论文 |
（8）不同难度的视觉任务认知决策过程脑机制的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 不同任务难度下认知决策脑机制的研究进展 |
| 1.2.2 尚存不足及研究思路 |
| 1.3 主要研究内容及论文结构 |
| 1.4 本章小结 |
| 2 实验范式设计及脑电信号的采集 |
| 2.1 实验范式的设计 |
| 2.1.1 受试者 |
| 2.1.2 行为学分析及实验范式的确定 |
| 2.2 脑电信号的采集 |
| 2.3 脑电信号的预处理 |
| 2.4 本章小结 |
| 3 不同任务难度脑电信号的分析 |
| 3.1 有效数据的提取 |
| 3.2 行为数据分析 |
| 3.2.1 准确度 |
| 3.2.2 反应时间 |
| 3.3 事件相关电位的成分分析 |
| 3.3.1 N1成分 |
| 3.3.2 任务难度(D220)成分 |
| 3.3.3 N3成分 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 4 不同任务难度的认知决策诱发的脑电源定位分析 |
| 4.1 脑电源定位的概述 |
| 4.1.1 脑电逆问题中的头模型 |
| 4.1.2 脑电逆问题的算法 |
| 4.2 不同清晰度图片认知决策脑电信号的源定位分析 |
| 4.2.1 不同任务难度下的源定位结果 |
| 4.2.2 不同认知阶段源定位结果的分析 |
| 4.3 讨论 |
| 4.4 本章小结 |
| 5 不同任务难度的认知决策过程动态因果网络分析 |
| 5.1 动态因果网络的概述 |
| 5.1.1 大脑网络的连通性 |
| 5.1.2 自适应定向传递函数(ADTF) |
| 5.2 基于ADTF构建动态因果网络 |
| 5.2.1 构建动态因果网络 |
| 5.2.2 不同认知阶段因果网络的分析 |
| 5.3 讨论 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（9）实用化多模态脑-机接口中若干关键技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 脑-机接口的定义与结构 |
| 1.1.1 脑活动的记录方式 |
| 1.1.2 BCI的信号处理技术 |
| 1.1.3 BCI的控制与反馈模块 |
| 1.2 基于EEG的脑-机接口 |
| 1.2.1 EEG的采集方法 |
| 1.2.2 EEG信号的分类 |
| 1.2.3 EEG-BCI系统优缺点对比 |
| 1.2.4 混合模式BCI系统 |
| 1.3 BCI的发展历程和研究现状 |
| 1.3.1 BCI发展的历史性事件 |
| 1.3.2 植入式BCI的研究历程 |
| 1.3.3 非植入BCI的研究现状 |
| 1.3.4 我国BCI技术的研究现状 |
| 1.4 BCI系统性能评价标准 |
| 1.5 BCI研究待解决的问题 |
| 1.6 主要内容及章节安排 |
| 第二章 运动想象脑-机接口研究基础 |
| 2.1 MI-BCI理论研究基础 |
| 2.1.1 脑功能分区和神经生理学基础 |
| 2.1.2 MI-BCI的 ERD/ERS现象 |
| 2.1.3 EEG的源定位和空间模型 |
| 2.2 MI-BCI的信号处理方法 |
| 2.2.1 脑电信号的预处理 |
| 2.2.2 MI-BCI的特征提取方法 |
| 2.2.3 MI-BCI的分类算法 |
| 2.3 MI-BCI的数据集 |
| 2.3.1 国际标准数据集 |
| 2.3.2 自主采集数据集 |
| 2.4 MI-BCI的数据分析 |
| 2.4.1 信号处理方法选取对识别结果的影响 |
| 2.4.2 MI-BCI领域的研究重点 |
| 2.5 BCI的研究平台综述 |
| 2.6 章节小结 |
| 第三章 时-频-空联合优化的CSP算法在三分类MI-BCI中的应用 |
| 3.1 CSP算法的相关基础 |
| 3.1.1 CSP算法的研究现状和研究要点 |
| 3.1.2 基于频带优化的CSP算法演变进程 |
| 3.1.3 BCILAB平台中的CSP算法 |
| 3.1.4 研究方法和工作路线 |
| 3.2 时-频-空联合优化策略 |
| 3.2.1 导联优化策略 |
| 3.2.2 频带优化策略 |
| 3.3 三分类CSP算法的相关策略 |
| 3.3.1 二分类算法 |
| 3.3.2 三分类策略 |
| 3.4 三分类CSP算法的结果对比 |
| 3.4.1 BCILAB平台分类算法比较 |
| 3.4.2 最佳滤波频带与分类目标之间的联系 |
| 3.4.3 时-频-空联合优化的三分类MI-BCI算法 |
| 3.5 不同CSP算法的稳定性测试 |
| 3.5.1 对比算法描述 |
| 3.5.2 组间测试结果对比 |
| 3.6 章节小结 |
| 第四章 改进的信息极大ICA算法在三分类MI-BCI中的应用 |
| 4.1 ICA算法的相关基础 |
| 4.1.1 ICA基础理论和研究要点 |
| 4.1.2 ICA算法计算步骤及对比算法描述 |
| 4.1.3 ICA算法在MI-BCI领域的研究现状 |
| 4.1.4 改进的信息极大ICA算法 |
| 4.1.5 重点研究内容及工作路线 |
| 4.2 MI-BCI的 ICA滤波器设计 |
| 4.2.1 MRICs检测滤波器的自动选取 |
| 4.2.2 MRICs检测和运动想象分类 |
| 4.2.3 ICA滤波器设计及性能测试 |
| 4.2.4 导联优化策略 |
| 4.3 不同ICA算法性能比较 |
| 4.3.1 对比算法描述 |
| 4.3.2 不同算法自测试对比 |
| 4.3.3 组间测试结果对比 |
| 4.3.4 ICA算法的缺点及改进措施 |
| 4.4 ICA和 CSP算法性能综合对比 |
| 4.4.1 交叉测试算法说明及实验 |
| 4.4.2 CSP和 ICA算法性能分析 |
| 4.5 章节小结 |
| 第五章 MI-BCI数据库系统建立和在线系统开发 |
| 5.1 MI-BCI数据库系统建立 |
| 5.1.1 MI-EEG数据文件说明 |
| 5.1.2 不同算法的稳态性测试 |
| 5.2 在线MI-BCI系统设计与实现 |
| 5.2.1 MI-BCI在线系统的硬件平台框架 |
| 5.2.2 同步MI-BCI系统在Matlab平台上编程实现 |
| 5.2.3 同步ICA-MI-BCI系统在Vc++平台下设计与实现 |
| 5.2.4 基于EEG+EOG混合模式的异步MI-BCI系统设计与实现 |
| 5.3 章节小结 |
| 第六章 由同步向异步跨越的SSVEP-BCI在线系统设计与实现 |
| 6.1 引言 |
| 6.1.1 混合BCI系统研究现状 |
| 6.1.2 混合BCI系统的目标及类型 |
| 6.2 方法 |
| 6.2.1 系统框架和多模态混合策略 |
| 6.2.2 视觉刺激器的设计 |
| 6.2.3 脑电信号的采集 |
| 6.2.4 软硬件实验环境搭建 |
| 6.2.5 同步BCI系统实验范式的设计 |
| 6.2.6 异步BCI系统实验范式的设计 |
| 6.2.7 诱发脑电信号的识别算法 |
| 6.3 实验结果 |
| 6.3.1 同步范式BCI系统的实验结果 |
| 6.3.2 窗口时间改变对识别率的影响 |
| 6.3.3 设定合适的异步BCI滑动窗口长度 |
| 6.3.4 异步BCI系统性能展示 |
| 6.4 讨论 |
| 6.4.1 刺激材质选取对识别结果的影响 |
| 6.4.2 识别算法比较 |
| 6.4.3 系统的不足之处 |
| 6.5 结论 |
| 6.6 与SSVEP相关的其他研究 |
| 6.6.1 基于SSVEP的字符输入系统设计与实现 |
| 6.6.2 实用化BCI系统的脑电采集电路设计 |
| 6.7 章节小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的成果 |
| 致谢 |
（10）脑机交互运动训练的神经反馈响应关键机制及卒中康复应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 运动神经康复的理论基础 |
| 1.1.2 国内外运动康复研究历程与发展态势 |
| 1.2 运动神经反馈训练方法研究现状 |
| 1.2.1 基于视觉、听觉、触觉反馈的运动训练方法 |
| 1.2.2 基于多感官融合反馈的运动训练方法 |
| 1.2.3 存在问题 |
| 1.3 运动神经反馈训练响应机制与效果评价研究现状 |
| 1.3.1 神经电生理、血液动力学响应机制研究 |
| 1.3.2 多模态神经响应机制融合研究 |
| 1.3.3 运动康复训练效果评价研究 |
| 1.3.4 存在问题 |
| 1.4 本文研究目的与意义 |
| 1.5 主要研究内容与章节安排 |
| 第2章 不同控制模式的运动反馈训练神经生理响应研究 |
| 2.1 引言 |
| 2.1.1 本章研究目的 |
| 2.1.2 基本研究思路 |
| 2.2 实验方案设计及数据采集方法 |
| 2.2.1 不同运动反馈训练实验范式设计 |
| 2.2.2 EEG-NIRS数据采集与实验系统构建 |
| 2.3 数据处理与分析方法 |
| 2.3.1 EEG处理与分析方法 |
| 2.3.2 NIRS处理与分析方法 |
| 2.3.3 统计学分析 |
| 2.4 不同运动反馈训练的实验结果分析 |
| 2.4.1 基于EEG的神经响应及模式识别分析 |
| 2.4.2 基于NIRS的神经响应状态分析 |
| 2.4.3 EEG与 NIRS特征关联性分析 |
| 2.5 本章小结 |
| 第3章 不同反馈通路诱导的运动神经反馈训练方法研究 |
| 3.1 引言 |
| 3.1.1 本章研究目的 |
| 3.1.2 基本研究思路 |
| 3.2 实验方案设计及数据采集方法 |
| 3.2.1 运动神经反馈训练实验方案设计 |
| 3.2.2 运动神经反馈训练系统构建与EEG-NIRS数据采集 |
| 3.3 神经反馈特征参数计算与EEG-NIRS数据分析方法 |
| 3.3.1 偏侧化相对ERD计算 |
| 3.3.2 训练前后EEG特征分析方法 |
| 3.3.3 训练前后NIRS特征分析方法 |
| 3.3.4 统计学分析 |
| 3.4 运动训练前后神经响应结果分析 |
| 3.4.1 基于EEG特征的神经响应与分类识别结果 |
| 3.4.2 基于NIRS脑血氧的神经响应特征分析 |
| 3.4.3 基于EEG-NIRS数据融合的分类识别结果 |
| 3.4.4 面向卒中运动康复的神经反馈训练实验研究 |
| 3.5 本章小结 |
| 第4章 不同运动训练时程的脑-肌电响应与效果评价研究 |
| 4.1 引言 |
| 4.1.1 本章研究目的 |
| 4.1.2 基本研究思路 |
| 4.2 实验方案设计及数据采集方法 |
| 4.2.1 实验范式与实验流程设计 |
| 4.2.2 数据采集系统与预处理过程 |
| 4.3 不同时程运动神经反馈训练的多生理数据分析方法 |
| 4.3.1 基于EEG特征的神经响应分析与分类识别方法 |
| 4.3.2 基于EMG特征的运动神经功能分析方法 |
| 4.3.3 基于传递熵的EEG-EMG耦合分析方法 |
| 4.3.4 统计学分析 |
| 4.4 不同时程运动神经反馈训练下的EEG-EMG数据分析结果 |
| 4.4.1 不同训练时程的EEG特征响应与分类识别结果 |
| 4.4.2 不同训练时程的EMG特征结果分析 |
| 4.4.3 基于传递熵的EEG-EMG耦合分析结果 |
| 4.4.4 面向卒中康复的跨时间运动训练效果评价 |
| 4.5 本章小结 |
| 第5章 运动神经反馈训练系统设计与卒中康复典型应用 |
| 5.1 引言 |
| 5.1.1 本章研究目的 |
| 5.1.2 基本研究思路 |
| 5.2 基于决策阈值优化的神经反馈训练控制策略研究 |
| 5.2.1 基于MI-BCI的反馈训练系统设计 |
| 5.2.2 基于决策阈值优化的系统性能结果分析 |
| 5.3 运动神经反馈训练系统设计及典型应用 |
| 5.3.1 系统集成方法与实验设计 |
| 5.3.2 典型应用与结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文研究工作总结 |
| 6.2 本文主要研究成果 |
| 6.3 未来工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
四、噪声刺激对鼠行为及脑电活动影响的初步观察（论文参考文献）
- [1]基于诱发电位的声感觉评价方法研究[D]. 刘翰柔. 青岛理工大学, 2021(02)
- [2]体感诱发电位脑电高频振荡采集系统[D]. 宋晓宇. 电子科技大学, 2021(01)
- [3]基于脑电信号耦合关系的术中伤害刺激反应性评估研究[D]. 黄帆. 浙江大学, 2021(01)
- [4]基于事件相关电位及行为特征对海洛因戒断者的分析和识别[D]. 梁晓哲. 兰州大学, 2021(09)
- [5]基于脑电的声、光、热复合环境对人体舒适度交互作用规律研究[D]. 管宏宇. 青岛理工大学, 2020
- [6]基于微弱事件相关脑电特征的脑—机编解码关键技术及应用研究[D]. 肖晓琳. 天津大学, 2020(01)
- [7]基于立体脑电的手部运动脑机接口关键技术与神经响应机制研究[D]. 李广晔. 上海交通大学, 2020
- [8]不同难度的视觉任务认知决策过程脑机制的研究[D]. 崔俭俭. 郑州大学, 2020(02)
- [9]实用化多模态脑-机接口中若干关键技术的研究[D]. 张磊. 安徽大学, 2020(07)
- [10]脑机交互运动训练的神经反馈响应关键机制及卒中康复应用[D]. 王仲朋. 天津大学, 2019(01)