公共文化服务平台

搜索到16769篇“ EEG“的相关文章

基于微状态的抑郁症静息态脑电信号分析: 2024年; 抑郁症(MDD)患者存在认知功能障碍,但其瞬时神经异常活动尚未研究清楚,对此采用脑电(EEG)微状态方法对抑郁症患者的脑电数据进行研究。比较22名抑郁症患者和25名正常人的128导闭眼脑电数据微状态特征,进行差异性分析并探索与量表得分之间的相关性。结果发现,相对于健康对照组,抑郁症患者微状态C的出现次数和涵盖比更高,且与其他微状态之间的转换概率较高,而其微状态D的平均持续时间较低,且与微状态B之间的转换次数减少。此外,微状态C和微状态D与抑郁量表和焦虑量表均呈显著相关性,表明基于脑电微状态方法可以捕捉到抑郁症患者异常大脑动态特性,为抑郁症临床早期诊治提供客观参考。; 陈学莹齐晓英史周晰独盟盟

基于EEG的视频侦查员作业疲劳预测研究: 2024年; 为了探究视频侦查员的疲劳状况及其疲劳监测方法,通过采集视频侦查员的脑电(EEG)数据和主观问卷数据,建立基于BP神经网络模型的疲劳程度预测系统。实验共招募了12名视频侦查员作为被试,使用EEG设备记录他们在执行特定侦查任务时的脑电信号。提取α/β、θ/β、(α+θ)/β和(α+θ)/(α+β)等脑电特征值作为疲劳检测的生理指标,并结合主观量表数据,构建BP神经网络模型来预测视频侦查员工作前后的疲劳状态。实验结果显示,通过对所有通道脑电信号特征值的配对t检验,识别出4个显著通道的特征值,这些特征值在预测视频侦查员疲劳状态方面表现出较高的准确性。基于这些特征值,建立的BP神经网络模型在预测视频侦查员疲劳状态时的拟合精度为84.348%。本研究提出的疲劳监测方法不仅为视频侦查员合理地工作调度提供了科学依据,还有助于提高他们在工作中的决策效率。此外,该方法也为相关疲劳检测技术的研发提供了技术手段和理论基础,对于提升公共安全领域的工作效率和质量具有重要意义。; 任捷王书玥王子航; 关键词：EEG BP神经网络

基于EEG和面部视频的多模态连续情感识别: 2024年; 针对脑电(Electroencephalogram, EEG)通道间和时间上情绪强度的改变很难被捕捉,以及不同被试的面部特征情绪上的相似性难以挖掘的问题,文章提出了一种基于EEG和面部视频的多模态连续情感识别模型.采用基于时空注意力机制(Spatial-Temporal Attention)的卷积和双向长短期记忆神经网络的组合模型(STA-CNNBiLSTM)对EEG中提取的功率谱密度(Power Spectral Density, PSD)特征进行深层特征学习与情感分类;采用引入自注意力机制的预训练卷积神经网络(SA-CNN)对人脸面部几何特征进行学习与情感分类.采用决策级融合算法,对两个模态的分类结果进行迭代学习与融合,得到最终多模态情感分类结果.在公开数据集MAHNOB-HCI进行了大量对比验证实验,在FER2013数据集的面部几何特征上对SA-CNN模型进行了预训练.在独立被试的实验中,所提模型在效价维度二分类的平均准确率为75.50%,在唤醒维度二分类的平均准确率为79.00%,均优于单模态上的最高平均准确率.和目前流行的模型LSSVM、SE-CNN和AM-LSTM相比较,所提模型的分类效果更优,验证了所提时空注意力机制能够捕捉更多的EEG时空特征,自注意力机制能够关注到不同被试面部特征的相似性,进而提高了多模态情感识别的性能.; 雪雯陈景霞胡凯蕾刘洋; 关键词：EEG

基于有效注意力和GAN结合的脑卒中EEG增强算法: 2024年; 在基于脑电的卒中分类诊断任务中,以卷积神经网络为基础的深度模型得到广泛应用,但由于卒中类别病患样本数量少,导致数据集类别不平衡,降低了分类精度。现有的少数类数据增强方法大多采用生成对抗网络(GAN),生成效果一般,虽然可通过引入缩放点乘注意力改善样本生成质量,但存储及运算代价往往较大。针对此问题,构建一种基于线性有效注意力的渐进式数据增强算法LESA-CGAN。首先,算法采用双层自编码条件生成对抗网络架构,分别进行脑电标签特征提取及脑电样本生成,并使生成过程逐层精细化;其次,通过在编码部分引入线性有效自注意力(LESA)模块,加强脑电的标签隐层特征提取,并降低网络整体的运算复杂度。消融与对比实验结果表明,在合理的编码层数与生成数据比例下,LESA-CGAN与其他基准方法相比计算资源占用较少,且在样本生成质量指标上实现了10%的性能提升,各频段生成的脑电特征样本均更加自然,同时将病患分类的准确率和敏感度提高到了98.85%和98.79%。; 王夙喆张雪英陈晓玉李凤莲吴泽林; 关键词：脑卒中脑电

基于改进的GAF算法的EEG情感识别: 2024年; 利用脑电图(EEG)信号对人类的情感进行识别一直是一个重要且具有挑战性的研究领域。传统的方法都是对一维EEG信号进行分析,然后提取特征进行识别;但这种方法需要提取许多时域或频域上的特征才能取得较好的识别效果。考虑到二维图像蕴含的信息要远远比一维信号蕴含的信息丰富,因此将一维信号转换成二维图像可以提取更加有效的特征进行识别。为此,该文提出了一种基于改进的Gramian Angular Field(GAF)算法的EEG情感识别方法。首先,从EEG信号中提取alpha、beta、gama三个频段的子带信号;然后,提出了一种基于马氏距离加权的改进GAF算法将一维EEG信号转换成二维特征图像;接着,从二维图像中提取奇异值熵、图能量等特征;最后,利用卷积神经网络(CNN)对提取的EEG特征进行分类识别。基于广泛使用的DEAP数据集,针对四分类(HAHV、LAHV、LALV和HALV)情感识别任务,对该模型进行了验证。实验结果表明:所提算法的平均分类准确率达到92.63%,与现有的识别方法对比具有一定的优势。; 王星星邵杰陈鑫杨世逸林杨鑫; 关键词：脑电图情感识别卷积神经网络

基于深度学习的EEG数据分析技术综述: 2024年; 对近年来的相关工作进行全面分析、横向比较,梳理出基于深度学习的EEG数据分析闭环流程.对EEG数据进行介绍,从深度学习在EEG数据预处理、特征提取以及模型泛化3个关键阶段的应用进行展开,梳理深度学习算法在相应阶段提供的研究思路和解决方案,包括各阶段所存在的难点与问题.全方位总结出不同算法的主要贡献和局限性,讨论深度学习技术在各个阶段处理EEG数据时所面临的挑战及未来的发展方向.; 钟博王鹏飞王乙乔王晓玲; 关键词：预处理特征提取

基于深层图卷积的EEG情绪识别方法研究: 2024年; 针对浅层图卷积提取的局部脑区空间关联信息对情感脑电表征不足的问题,本文提出了一种深层图卷积网络模型。该模型利用深层图卷积学习情绪脑电全局通道间的内在关系,在卷积传播过程中应用残差连接和权重自映射解决深层图卷积网络面临的节点特征收敛到固定空间无法学习到有效特征的问题,并在卷积层后加入PN正则化扩大不同情绪特征间的距离,提高情绪识别的性能。在SEED数据集上进行实验,与浅层图卷积网络相比准确率提高了0.7%,标准差下降了3.15。结果表明该模型提取的全局脑区空间关联信息对情绪识别的有效性。; 李奇常立娜武岩闫旭荣; 关键词：脑电信号情绪识别

面向神经重症患者护理的脑电双频谱指数监测仪优化设计: 2024年; 为了实现当前脑电双频谱指数(Bispectral index, BIS)监测仪对神经重症患者的动态化监测,研究对其内部麻醉监测架构进行改进,提出了优化的BIS监测仪,并对其有效性进行了验证。结果表明,研究提出的框架在麻醉监测上相对于使用LSTM网络模型的框架提升最高达到15%左右,预测准确性最高。而在实际应用中,麻醉前后动脉血压的差距为6%~14%,而体温变化维持在0.9℃~1.6℃之间,术后心率的变化同样维持在1.3~4.4次/分、血氧饱和度差距仅在0.4%~0.5%,BIS指数分数差距为5~12分之间。同时其在麻醉诱导、维持以及苏醒上的精确性分别为58.1%、96.0%以及56.6%,整体上准确率达到了90.1%,综合性能最好。综合来看,研究提出的改进的BIS监测仪在麻醉深度监测上具备较高的有效性,对神经重症患者护理具有重要意义。; 庄先艳郑小琴秦丹丹王秀华; 关键词：编码器 EEG

基于共同时频空间模式的MI-EEG分类研究: 2024年; 公共空间模式(Common Spatial Patterns,CSP)算法是目前应用于基于运动想象脑机接口(Motor Imagery-Brain Computer Interface,MI-BCI)系统中提取脑电图特征的最常用的空间滤波方法。CSP算法的有效性取决于从脑电信号中选择最优的频带和时间窗。目前已有许多算法设计用于优化CSP的频带选择,但很少有算法寻求优化时间窗。提出了一种新框架,称为共同时频空间模式(Common Time-Frequency-Spatia Patterns,CTFSP),用于在多个时间窗口中从多波段滤波的脑电数据中提取稀疏的CSP特征。具体而言,首先使用滑动时间窗方法将整个MI周期分割成多个子序列。其次,在每个时间窗内从多个频带提取稀疏CSP特征;最后,训练具有径向基函数(Radial Basis Function,RBF)内核的多个支持向量机(Support Vector Machine,SVM)分类器来识别MI任务,这些分类器的投票结果决定了BCI的最终输出。采集了12名被试的左右手和脚的运动想象实验数据,将提出的CTFSP算法应用于数据集来验证其有效性,并与其他几种最先进的方法进行了比较。实验结果表明,所提算法是提高MI-BCI系统性能的有效方法。; 李竞斌向程乐姚修振; 关键词：脑电信号脑机接口

少量通道脑电信号的实时情绪分类模型: 2024年; 基于脑电图的情绪识别在人机交互领域具有重要意义,多数研究使用大量通道的脑电设备信号,而针对消费级设备少量通道脑电信号的研究较少.本文针对现有脑电情绪识别模型特征提取复杂,使用通道数量多,需要长数据序列等缺点,提出一种针对少量通道脑电信号的端到端实时脑电情绪分类模型,使用5通道的脑电数据在较短的时间片上进行分类.模型使用一维卷积降低数据时间序列长度并提取特征,使用多头注意力机制的双向长短期记忆网络进一步提取高维特征,最后使用全连接层进行分类.结果表明本文提出的模型在少量通道脑电信号中能更好的提取脑电特征,提高了实时脑电情绪分类的准确率.; 张冰雪李文楷; 关键词：卷积神经网络 EEG

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈