發(fā)布時(shí)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(jī)系統(tǒng)監(jiān)控等領(lǐng)域,操作人員由于大腦疲勞而造成的注意力不集中、反應(yīng)遲鈍、精神渙散很有可能引發(fā)嚴(yán)重的事故,造成巨大的財(cái)產(chǎn)損失。因此,對(duì)大腦疲勞狀態(tài)進(jìn)行監(jiān)控具有重要的意義。研究發(fā)現(xiàn),腦電信號(hào)可以反映人體的精神狀態(tài)。因此可以通過(guò)檢測(cè)腦電信號(hào)在疲勞狀態(tài)下的特性對(duì)腦疲勞進(jìn)行預(yù)警。穩(wěn)態(tài)視覺(jué)誘發(fā)電位是指當(dāng)人的大腦皮層受到一個(gè)固定頻率的視覺(jué)刺激時(shí),它會(huì)產(chǎn)生一個(gè)連續(xù)的與刺激頻率有關(guān)的響應(yīng)。穩(wěn)態(tài)視覺(jué)誘發(fā)電位具有信號(hào)采集簡(jiǎn)單,無(wú)需訓(xùn)練等優(yōu)點(diǎn)而被廣泛應(yīng)用在腦電信號(hào)的研究中。本文也是使用穩(wěn)態(tài)視覺(jué)誘發(fā)電位來(lái)誘發(fā)受試者產(chǎn)生疲勞腦電。文章的主要工作如下:1.實(shí)驗(yàn)設(shè)計(jì)了一個(gè)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(gè)安靜,光線良好的實(shí)驗(yàn)環(huán)境中接受長(zhǎng)時(shí)間的視覺(jué)刺激,產(chǎn)生視覺(jué)疲勞腦電信號(hào)。在實(shí)驗(yàn)過(guò)程中,受試者按要求完成主觀疲勞量表作為主觀統(tǒng)計(jì)的參考。使用獨(dú)立成分分析方法去除原始腦電信號(hào)中的眼電、肌電等偽跡。2.使用非線性非平穩(wěn)的信號(hào)處理方法-希爾伯特-黃算法(HHT)提取腦電信號(hào)中的頻域特征。對(duì)腦電信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)�態(tài)分解得到IMF分量,根據(jù)皮爾遜系數(shù)選取與原信號(hào)相關(guān)系數(shù)大于50%的IMF分量進(jìn)行重構(gòu)。對(duì)重構(gòu)信號(hào)做希爾伯特變換,計(jì)算重構(gòu)信號(hào)的希爾伯特邊際譜能量,發(fā)現(xiàn)腦電信號(hào)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(duì)比幾種分類(lèi)算法的優(yōu)缺點(diǎn),文章決定使用支持向量機(jī)(SVM)作為腦電信號(hào)的分類(lèi)器。將特征向量傳入到SVM中,分類(lèi)結(jié)果表明:β,β/α,和四種EEG指標(biāo)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(biāo)。
【學(xué)位單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TN911.7
【部分圖文】：

基本理論產(chǎn)生系統(tǒng)最重要的一個(gè)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(gè)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)��?yīng)著不同的功能感，三維感知。額葉主要是負(fù)責(zé)人體的記憶和。顳葉與聽(tīng)覺(jué)和知覺(jué)有關(guān)，而枕葉區(qū)負(fù)責(zé)視覺(jué)的功能，但是每個(gè)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(guò)低頻腦電信號(hào)的產(chǎn)生。用于瞬態(tài)視覺(jué)誘發(fā)電位的刺激頻率一般小于位的前一個(gè)刺激引起的皮質(zhì)反應(yīng)會(huì)在下一個(gè)刺激出現(xiàn)之前消電位是對(duì)應(yīng)單個(gè)刺激的反應(yīng)，換而言之，瞬態(tài)視覺(jué)誘發(fā)電位由瞬態(tài)視覺(jué)誘發(fā)電位產(chǎn)生的腦電波形中，第一個(gè)波谷會(huì)出現(xiàn)被稱(chēng)為 N75。P100 就是刺激發(fā)生后第 100ms 出現(xiàn)的第一個(gè) 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(hào)產(chǎn)生與采集簡(jiǎn)單，無(wú)需訓(xùn)練，穩(wěn)定性高，特征明顯信號(hào)的研究中。在圖 2-4 中，使用 12Hz 的刺激頻率來(lái)進(jìn)行
【相似文獻(xiàn)】

相關(guān)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(hào)分類(lèi)[J];中國(guó)數(shù)字醫(yī)學(xué);2019年05期

2 王曉麗;;基于深度學(xué)習(xí)的癲癇腦電信號(hào)分析與預(yù)測(cè)[J];長(zhǎng)春大學(xué)學(xué)報(bào);2019年06期

3 王薇蓉;張雪英;孫穎;暢江;;關(guān)于腦電信號(hào)的情感優(yōu)化識(shí)別仿真[J];計(jì)算機(jī)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(hào)的耳鳴識(shí)別算法研究[J];科技傳播;2018年13期

5 左晶;萬(wàn)小勤;羅楊;鄭斌;陳斌林;任祥花;;癲癇腦電信號(hào)的相關(guān)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(xué)習(xí)的腦電信號(hào)特征提取及識(shí)別[J];工程科學(xué)與技術(shù);2017年S2期

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

8 王恒;李念強(qiáng);齊鵬沖;;運(yùn)動(dòng)想象腦電信號(hào)特征的提取與分類(lèi)[J];工業(yè)控制計(jì)算機(jī);2015年02期

9 李亞杰;宋明星;張玉棟;;腦電信號(hào)采集系統(tǒng)的設(shè)計(jì)[J];河北建筑工程學(xué)院學(xué)報(bào);2014年01期

10 蔡超峰;張勇;郭舒婷;姜利英;;思維腦電信號(hào)的關(guān)聯(lián)維數(shù)分析[J];河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

相關(guān)博士學(xué)位論文 前10條

1 李明陽(yáng);基于復(fù)合域分析的癲癇腦電信號(hào)檢測(cè)算法研究[D];吉林大學(xué);2018年

2 張濤;基于模糊分布熵和復(fù)值模糊分布熵的癲癇腦電信號(hào)自動(dòng)分類(lèi)算法研究[D];吉林大學(xué);2019年

3 韓凌;腦電信號(hào)同步分析及癲癇發(fā)作預(yù)測(cè)方法研究[D];東北大學(xué);2016年

4 趙麗;基于腦電信號(hào)的腦-機(jī)接口技術(shù)研究[D];天津大學(xué);2004年

5 繆曉波;基于腦電信號(hào)的認(rèn)知?jiǎng)恿�學(xué)系統(tǒng)研究——線性/非線性方法及動(dòng)態(tài)時(shí)—頻—空分析[D];重慶大學(xué);2004年

6 徐鵬;信號(hào)的稀疏分解及其在腦電信號(hào)處理中的應(yīng)用研究[D];電子科技大學(xué);2006年

7 伍亞舟;基于想象左右手運(yùn)動(dòng)思維腦電BCI實(shí)驗(yàn)及識(shí)別分類(lèi)研究[D];第三軍醫(yī)大學(xué);2007年

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

9 陳東偉;非線性動(dòng)力學(xué)、因果腦網(wǎng)絡(luò)與聚類(lèi)穩(wěn)定性在腦電信號(hào)分析中的應(yīng)用研究[D];太原理工大學(xué);2015年

10 馬小飛;認(rèn)知任務(wù)下的腦電動(dòng)力學(xué)分析[D];南京大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 楊濟(jì)維;基于半監(jiān)督深度學(xué)習(xí)的腦電信號(hào)特征提取及識(shí)別[D];重慶郵電大學(xué);2019年

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

3 李丹妮;基于運(yùn)動(dòng)想象腦電信號(hào)的特征提取和分類(lèi)算法研究[D];重慶郵電大學(xué);2019年

4 高峰星;基于情感腦電信號(hào)的分類(lèi)研究[D];重慶郵電大學(xué);2019年

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

6 張美妍;基于EEG警覺(jué)狀態(tài)檢測(cè)方法及實(shí)驗(yàn)研究[D];哈爾濱工業(yè)大學(xué);2019年

7 盛彬;基于信息融合的駕駛危險(xiǎn)場(chǎng)景分析識(shí)別研究[D];哈爾濱工業(yè)大學(xué);2019年

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

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

10 沈玉潤(rùn);深度學(xué)習(xí)在腦電信號(hào)特征提取及分類(lèi)中的應(yīng)用[D];上海交通大學(xué);2018年

本文編號(hào)：2893692