简介：运用非线性动力学方法对癫痫患者与正常人的脑电数据进行分析。研究结果表明,癫痫患者发作期的样本熵值总体上低于正常人,并且癫痫患者在发作时的脑电样本熵值较发作前有明显降低,发作后又回到发前水平。这预示着样本熵可能为癫痫病的临床诊断提供一定的参考。同时通过实验验证,样本熵具有较好的一致性,且只需要较短的数据就能达到分析目的,是分析脑电信号的有利手段。

简介：本文基于NeuroSky的脑电传感器TGAM（ThinkGearAM），设计开发了一套卧室助眠系统。系统采用TGAM芯片收集脑电，利用STM32F103解析数据，通过蓝牙通信技术实现数据的通信，系统对ThinkGear数据包进行解析，根据用户eSense参数中关注度和放松度指数的不同，实现对用户睡眠状态的判断，最后使用MP3模块VS1053实现音乐的播放，进而通过播放指定音频达到助眠的目的。

简介：摘要目的通过对焦虑障碍高危人群、焦虑障碍患者和健康人群全频域自发脑电信号进行频域分析，探索可用于识别焦虑障碍的特征性频段。方法2019年12月10日至2020年5月7日选取焦虑障碍高危人群(焦虑高危组，n＝19)、焦虑障碍患者(阳性对照组，n＝14)、健康正常人(正常对照组，n＝19)作为研究对象。使用焦虑状态-特质问卷(state-trait anxiety inventory，S-TAI)、军事应激反应性焦虑预测量表(military stress anxiety predictive scale，MSAPS)对所有被试进行评估，并在问卷评估过程进行脑电监测。统计分析使用SPSS20.0统计软件，三组间脑电功率差异分析采用单因素方差分析和两两比较。结果三组在Delta[(2.11±0.66)μV2，(2.52±0.38)μV2，(2.73±0.47)μV2]、Theta[(1.31±0.43)μV2，(1.52±0.28)μV2，(1.67±0.35)μV2]、Alpha[(1.05±0.44)μV2，(1.29±0.25)μV2，(1.45±0.55)μV2]、Beta-1[(0.69±0.16)μV2，(0.86±0.18)μV2，(0.99±0.27)μV2]、Beta-2[(0.55±0.15)μV2，(0.67±0.18)μV2，(0.75±0.20)μV2]、Gamma频段[(0.31±0.09)μV2，(0.40±0.14)μV2，(0.45±0.16)μV2]Cz电极处的脑电功率差异均有统计学意义(F＝3.80～9.21，均P<0.05)。经Bonferroni校正后两两比较，Beta-1频段下，焦虑高危组与正常对照组之间的脑电功率差异有统计学意义(P＝0.03)。结论焦虑障碍高危人群和焦虑障碍患者的脑电信号均在Cz处的Beta-1频段与健康人群有显著差异。这种脑电信号的差异可为焦虑高危人群的识别和焦虑障碍的诊断提供有利的客观支持。

简介：摘要：研究一种基于单通道脑电（EEG）信号特征提取的睡眠自动分期方法。本文利用IIR陷波器和小波变换对脑电信号进行滤波降噪，对降噪后的信号提取脑电的时域、频域、双谱等特征作睡眠样本的特征向量，使用卷积神经网络（CNN）与门控循环单元网络（GRU）结合的睡眠分期模型。通过对10个健康受试者整夜睡眠数据的分期实验发现，系统可对个体的个体睡眠质量进行整夜的检测，准确度可达85%以上，具有较高的实用价值，有助于改善睡眠障碍的诊断和治疗效果。

简介：摘要：在注重个人信息安全的当今社会，基于生物特征的身份识别方法在各行各业发挥着重要作用。不同于传统生物识别技术使用的生物特征存在各种各样的缺陷.脑电信号具有不可窃取、不可胁迫以及活体检测等优势，因此脑电信号身份识别领域受到越来越多的科研工作者重视。以往的脑电信号身份识别研究大多基于时域、频域或空间域的单一特征进行，并未考虑同时学习脑电信号的时域信息、频域信息和空间域信息，因此只基于脑电信号中有限的身份本征信息进行识别。针对脑电信号具有时域、频域和空间域的特性，开展了基于深度学习的脑电信号身份识别研究。

简介：摘要：抑郁等精神状态的变化会引起大脑神经活动的改变。脑电信号是大脑神经活动的最直接体现，本论文实际并实现了基于脑电信号的抑郁症识别系统，输入包含指定通道的脑电信号文件，系统就能够完成对脑电信号的特征计算和分析，识别是否是抑郁症患者。基于脑电信号的抑郁症识别系统给抑郁症的诊断提供了一个较为客观的辅助和参考，在抑郁障碍辅助诊断方面具有重要的研究价值和潜在的应用价值。

简介：[摘要]癫痫作为一种常见的脑部疾病，脑电图作为最常用的检测癫痫发作的方法，通过非侵入式电极产生不同的脑电信号，定位人脑中的致痫区域。为了提高病灶性和非病灶性癫痫脑电信号预测的准确率，本文提出使用对VMD分解后的癫痫脑电信号数据进行处理，转换成适合LSTM的时间序列数据并对其进行癫痫预测，为癫痫研究和诊断提供了有力的支持。

简介：不良的教室照明容易使学生疲劳、并降低学习效率。通过实验室模拟教室照明,让学生在不同照度(500lx、1000lx、1500lx、2000lx、2500lx、3000Ix)和色温(4000K、5000K、6500K)组成的LED照明环境下学习3小时,每半小时监测一次脑电信号(EEG),测量δ波、θ波、α波和β波节律,分析频带能量比例R值,判断脑疲劳程度和精神兴奋性的变化。结果表明:随着照度的提高,脑疲劳先减小后增大,2000lx照度组的脑疲劳最低,说明过高的照度更容易引起脑疲劳;精神兴奋性起初变化不明显,超过1500Ix后显著提高。随着色温的提高,脑疲劳逐渐增加,精神兴奋性先增加后减小;光照时间的影响与色温相似,脑疲劳随着时间的增加而加深,且速度加快;精神兴奋性随时间的增加先提高后降低。

简介：摘要：基于偏脑电信号的情绪识别方法作为一种前沿的研究领域，受到了广泛的关注。本文旨在系统探讨基于偏脑电信号的情绪识别方法，并介绍了该方法在人机交互、心理健康评估等领域的潜在应用前景。首先，本文从脑电信号的特点和情绪与大脑活动的关系入手，阐述了基于偏脑电信号的情绪识别原理。随后，对情绪诱发实验设计和脑电信号数据采集方法进行了介绍，探讨了如何获取具有情绪特征的脑电信号数据。在此基础上，对基于偏脑电信号的情绪识别算法和模型构建进行了详细阐述，突出讨论了特征提取、模型训练和性能评估等关键技术。最后，在讨论中提出了当前方法存在的问题与挑战，展望了基于偏脑电信号的情绪识别方法在未来研究和应用中的发展方向。

简介：摘要：人体生理信号能有效的反映人体的活动情况，但人体生理信号普遍存在信号幅度小，容易受干扰等问题，因此生物医学信号处理在人体生理参数信息处理中具有广泛的应用。脑电是人脑神经细胞电生理活动在大脑皮层以及头皮的总体反映，与各种生理活动密切相关。本文通过使用生物医学信号的处理方法如自适应阈值滤波、小波变化、低通滤波、高通滤波等方法，可以有效的滤除干扰信号，得到较为纯净的脑电信号。本文选取了一段麻醉深度由深转浅的脑电信号，通过双谱分析发现该段脑电信号集中于10Hz以下的低频段，通过计算各频段在脑电信号中占比情况，发现随着麻醉深度越来越浅，脑电信号中 波段占比呈现下降的趋势， 波呈现逐渐上升的趋势。本文揭示了生物医学信号在脑电信号处理中具有广泛的应用。

简介：本文主要研究在不同频率声音刺激下的脑电信号特征。通过设计实验方案获取脑电数据，利用小波变换将脑电数据分解为不同频带信号，实现各频带信号的功率谱计算，应用模极大值检测脑电信号中的突变点，提取大脑在不同频率声音刺激下的特征，分析了人脑与声音刺激的关系，实验结果对脑机接口以及盲人导行等研究具有重要价值。

简介：摘要癫痫是一种严重的慢性神经系统疾病，可通过分析由脑神经元产生的脑电信号对其进行检测，因此脑电图成为诊断癫痫的关键工具。应用特异性方法对脑电信号进行处理和分析，在探索大脑工作机制和脑神经系统疾病的诊断方面具有重要意义。本文通过对脑电图信号的特征提取、特征分类等相关分析方法（如主成分分析、独立成分分析、小波变换、线性判别分析、支持向量机、人工神经网络和决策树等）进行总结，阐述了其在癫痫治疗中的应用，概括展示了近年来的研究进展。为癫痫发作的检测和分类以及未来的研究方向提供了一定的借鉴和参考。

简介：当前癫痫自动检测方法,通常采用希尔伯特黄变换结合脑电信号变换规律进行检测,易受到噪声的干扰,检测结果存在一定的误差。据此,深入研究基于子波变换的癫痫脑电信号检测方法,依据子波变换检测癫痫脑电信号的原理,采用子波变换对含噪的脑电信号进行去噪后,考虑到癫痫患者发病时,脑电信号里异常特征波导致信号波动幅度较大,采用TQWT小波分解并重构脑电信号,提取重构后的脑电信号里有效值与峰峰值指标构成特征分量,根据特征分量设定正常与发病两种样本,通过支持向量机(supportvectormachine,SVM)分类器对脑电波信号样本分类,实现患者癫痫脑电信号的准确检测。实验结果表明,所提方法可有效检测癫痫脑电信号,检测灵敏度、特异性和准确率均值分别是98.73%、18.84%、98.87%,适用于癫痫脑电信号检测。

简介：摘要：本研究旨在开发并实证基于脑电信号（EEG）的智能教育平台。首先，平台利用先进的EEG技术，实时监测和解析学习者的脑电活动，以此评估学习者的认知状态和注意力水平。随后，根据这些实时数据，平台为学习者提供个性化的学习资源和反馈，优化学习路径。实证研究方面，本研究选取了一定数量的学生作为实验对象，通过对比使用智能教育平台前后的学习效果，验证了平台在提高学习效率、增强学习动力以及促进深度学习方面的有效性。本研究不仅为智能教育的发展提供了新的视角和工具，也为未来个性化、自适应学习环境的构建提供了坚实的理论和实践基础。

简介：摘要：本研究旨在开发并实证基于脑电信号（EEG）的智能教育平台。首先，平台利用先进的EEG技术，实时监测和解析学习者的脑电活动，以此评估学习者的认知状态和注意力水平。随后，根据这些实时数据，平台为学习者提供个性化的学习资源和反馈，优化学习路径。实证研究方面，本研究选取了一定数量的学生作为实验对象，通过对比使用智能教育平台前后的学习效果，验证了平台在提高学习效率、增强学习动力以及促进深度学习方面的有效性。本研究不仅为智能教育的发展提供了新的视角和工具，也为未来个性化、自适应学习环境的构建提供了坚实的理论和实践基础。

简介：摘要：脑电信号是记录和分析大脑活动的一种非侵入性方法，传统的脑电信号采集系统面临一些挑战，如信号质量不稳定、噪音干扰较大和功耗较高等。基于FPGA的脑电信号采集系统可以通过硬件加速和实时处理来解决这些问题。

简介：

简介：目的：验证去趋势波动分析法应用于脑电信号分析时的有效性。方法：使用去趋势波动分析算法分析不同状态下的脑电信号,把得到的标度指数值进行比较。结果：从心算状态、睁眼状态到闭目安静状态的标度指数越来越大,这表明从心算状态、睁眼状态到闭目安静状态下脑的动力学活性越来越低,并且在时间上具有长程相关性。结论：去趋势波动分析方法在探索不同脑功能状态下EEG的标度指数是否具有显著性差异有一定的价值。

简介：摘要：表面肌电信号（Surface Electromyography，SEMG）是人神经对运动系统在控制时产生的微弱生物电信号，在皮肤表面通过表面电极进行提取、放大、降噪，在信号显示机上显示和记录的时间——能量幅值信号。它是神经系统在控制运动系统的肌肉运动时的一种信号表达，该信号检测方式对人的身体没有伤害。但是，最初的表面肌电信号相对微弱，会受到各种各样外界信号的干扰，而且，对于简单采集出来的肌电信号，其形式无法完全理解，无法对其中的有效特征进行迅速的分辨。因而，我们不仅需要对其信号进行处理和特征提取，并且在该基础上采用不同的方法，对手臂的不同动作的模式识别也是一个重点的研究方向。

简介：摘要：在脑电信号的采集和处理过程中，常常受到各种噪声伪迹的干扰。本文将独立分量分析（Independent Component Analysis，ICA）技术应用在脑电信号的眼电噪声分离问题上。本文分别使用四种常用的ICA算法：二阶盲识别(SOBI)、Hyvarinen不动点算法(FastICA)、Infomax和联合逼近特征矩阵对角化(JADE)用于脑电信号的眼电伪迹分离，并使用MATLAB作为实验平台，采用格茨数据集2a，针对四种算法的运行时间及分配内存进行了实验对比。实验结果表明，SOBI算法的MATLAB实现表现了最好的综合性能。相较其他三个ICA算法，SOBI算法能够在分配内存较小的情况下快速准确地去除脑电信号中的噪声。