网站大量收购闲置独家精品文档,联系QQ:2885784924

面向便携式脑电设备的EEG运动伪迹去除方法研究1 桂林电科大 2021.pdfVIP

面向便携式脑电设备的EEG运动伪迹去除方法研究1 桂林电科大 2021.pdf

  1. 1、本文档共61页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

密级否

硕士学位论文

(全日制专业学位硕士)

题目面向便携式脑电设备的EEG运动伪迹去除方法研究

(英文)TheStudyonMotionArtifactRemoval

fromEEGofPortableDevices

研究生学号:1808304019

研究生姓名:马俊嵩

指导教师姓名、职称:莫玮教授

申请学位类别:工程硕士

领域:仪器仪表工程

论文答辩日期:2021年6月5日

万方数据

万方数据

摘要

摘要

脑电图(Electroencephalogram,EEG)指大脑内部神经活动产生的电信号经过容积

传导由紧贴头皮的传感器记录到的电位。EEG是一种无创脑电信号采集方式,时间分

辨率很高,能够实时反应大脑活动过程,已经被广泛用于认知科学研究、脑部疾病诊

断和脑机接口技术等方面。由于脑电信号属于微弱信号,在采集的过程中很容易受到

各种伪迹的干扰,所以EEG通常在临床或者实验室的环境中记录,同时由医护人员

或者研究人员采取额外的预防措施避免记录到伪迹。但是随着便携式脑电采集设备的

推广和应用,脑电信号的采集转移到医院或者实验室以外的环境中时,EEG中容易出

现大量的运动伪迹。运动伪迹幅值大,频域广较难消除,将会严重影响脑电信号质量。

目前,尽管有研究人员提出了一些方法去除运动伪迹以获得高质量EEG信号,但是

这些方法大多数都局限于高度受控的实验室环境,需要提供额外的参考信息。

本文根据集合经验模态分解(EEMD)算法和主成分分析(PCA)算法提出了

EEMD-PCA联合方法去除单通道EEG中运动伪迹。该方法是一种单通道运动伪迹去

除方法,首先使用EEMD将一个单通道脑电信号分解为多个固有模态函数;然后使

用PCA将多个固有模态函数分离为源成分;最后根据源成分的自相关性去除运动伪

迹成分,重构信号获得去除运动伪迹的EEG。为了验证该方法的有效性,我们设计了

实验,使用EmotivEpoc便携式脑电头盔采集得到了包含运动伪迹的EEG数据。然

后在模拟EEG数据集和真实EEG数据集上进行了测试,同时与EEG中两种常用的

单通道去伪迹方法(集合经验模态分解-独立成分分析(EEMD-ICA)和集合经验模态

分解-典型成分分析(EEMD-CCA))进行了对比。

对于模拟数据,EEMD-PCA方法与目前效果最好的EEMD-CCA方法相比,均方

根误差降低了10.3%,信噪比提升了3.1dB,相关系数增大了7%,去伪效果得到了显

著的提升。对于真实数据,尽管14个通道受到运动伪迹污染的程度不相同,但是

EEMD-PCA方法都可以有效的去除,表现出很好的适应性。最终表明,无论是模拟

数据还是真实数据,EEMD-PCA都可以在保留有用的脑电信息前提下有效地去除运

动伪迹。因此,本文提出的EEMD-PCA可以

文档评论(0)

130****5870 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档