搜索结果: 1-7 共查到“理学 脑电信号”相关记录7条 . 查询时间(0.242 秒)
清华大学工业工程系统计学研究中心杨立坚课题组与清华大学机械系季林红课题组联合在脑电信号预测记忆能力研究中取得重要进展(图)
清华大学工业工程系统计学研究中心 杨立坚 清华大学机械系 季林红 脑电信号 预测记忆能力
2020/3/26
近日,清华大学工业工程系统计学研究中心杨立坚课题组与机械工程系季林红课题组联合在神经科学期刊《神经科学方法杂志》(Journal of Neuroscience Methods)发表题为《以基于脑电信号的函数型数据分析方法预测工作记忆能力》(Prediction of working memory ability based on EEG by functional data analysis)的...
应用小波熵分析大鼠脑电信号的动态变化特性
小波熵(Wavelet entropy) 脑电(EEG) 谱熵(Spectral entropy) 慢波睡眠(Slow wave sleep)
2008/3/7
应用小波熵(一种新的信号复杂度测量方法)分析大鼠在不同生理状态下脑电复杂度的动态时变特性。采用慢性埋植电极记录自由活动大鼠的皮层EEG,使用多分辨率小波变换将EEG信号分解为δ、θ、α和β四个分量,求得随时间变化的小波熵。结果表明:在清醒、慢波睡眠和快动眼睡眠三种生理状态下,EEG的小波熵之间存在显著差别,并且在不同时期其值与各个分解分量之间具有不同的关系,其中,慢波睡眠期小波熵还具有较明显的...
一种改进的近似熵——样品熵及其在颞叶癫痫患者脑电信号分析中的应用
颞叶癫痫 脑电图 近似熵 样品熵(Temporal lobe epilepsy EEG approximate entropy sample entropy)
2008/3/7
本文采用了近似熵( )和它的改进算法,即样品熵( )分析了8位颞叶癫痫患者和10位健康人员的短程脑电信号。在计算过程中使用了两种滑动窗口和5个不同的过滤标准r。结果显示颞叶癫痫患者组脑电信号的熵值显著低于健康组,而且患者癫痫病灶脑半球的复杂度远远大于非癫痫病灶半脑。小的滑动窗口能更多地反映与癫痫发作相关的细节。对于1秒的滑动窗口,过滤标准r不能小于时间序列标准差的0.15%;而对于4秒的滑动窗...
睡眠2期脑电信号产生的生理机制模型仿真研究
慢波睡眠脑电2期(Slow wave sleep EEG stage 2) 建模(Modeling) 神经元环路(Neuronal circuit) 脑整合机制(Integration mechanisms of human brain)
2008/3/7
目前慢波睡眠生理机制研究已有的理论及动物实验结果显示,慢波睡眠中,皮层-丘脑系统神经元存在三种不同节律的振荡:慢振荡(<1 Hz)、δ振荡(1~4 Hz)和纺锤振荡(7~14 Hz)。这些神经元电活动在皮层水平广泛同步化,产生慢波睡眠脑电。提出了能分别产生这三种节律的三种神经元环路模型,并将之组合简化成一个七细胞环路模型。由这样的大量环路组成的网络模型在合适的突触连接参数范围内,能在皮层处...
脑电信号的高阶奇异谱分析
脑电信号(EEG (electroencephalograph)) 高阶统计(Higher order statistic) 累积量(Cumulant) 奇异谱分析(SSA (singular spectrum analysis))
2008/3/7
奇异谱分析是脑电信号分析的一种新方法,脑电信号的奇异谱可以反映脑电的特征,它有助于研究大脑的动力学行为。奇异谱分析方法是基于二阶统计的方法,反映的是信号时间上和空间上的一种线性相关关系。而脑电信号属于非线性信号,其内在的非线性关系很难通过奇异谱得到真实的反映,从而会丢失某些有用的信息。提出一种新的基于高阶统计的脑电奇异谱分析方法,并将其运用于正常脑电和癫痫患者的脑电分析中。大量的实测信...
基于独立元分析和非线性指数分析的脑电信号中伪迹分量的自动去除
独立元分析 非线性指数分析 脑电信号
2008/3/7
脑电(electroencephalography, EEG)信号中不可避免地存在着眼动、心跳、肌电信号以及线性噪声等伪迹干扰,这些伪迹的存在极大地影响了脑电信号分析的准确性,因此在进行脑电信号分析前需要去除伪迹干扰。为了有效地去除伪迹,结合独立元分析和非线性指数分析,提出一种自动识别并去除脑电信号中伪迹分量的方法。该方法还可同时用于提取脑电信号中的基本节律如?琢波等。相应的模拟与实际脑电...
多通道脑电信号的盲分离
脑电(EEG)(Electroencephalograph (EEG)) 小波变换(Wavelet transform) 主成分分析(Principal component analysis(PCA)) 独立成分分析(Independent component analysis (ICA)) 盲信号分离(Blind signal separation (BSS))
2008/3/6
提出一种新的多通道脑电信号盲分离的方法, 将小波变换和独立分量分析(independent component analysis, ICA)相结合,利用小波变换的滤噪作用,将混合在原始脑电的部分高频噪声滤除后,再重构原始脑电作为ICA的输入信号,有效地克服了现有ICA算法不能区分噪声的缺陷。实验结果表明,该方法对多通道脑电的盲分离是很有效的。BLIND SIGNAL SEPARATION OF ...