脑电图的快乐情绪认知基于复杂系统的音乐和视觉和听觉形象

文摘

人们摄取各种信息从不同的感觉器官的所有时间来完成不同的认知任务。大脑整合和调节这一信息。两个重要的感官渠道接收外部信息是视觉和听觉,得到了广泛的关注。本文主要研究音乐和视听刺激的影响脑电图(EEG)快乐的情感识别基于一个复杂的系统。在实验中,表示被用来准备实验刺激计划,以及认知神经科学实验范式的脑电图诱发快乐情感的照片。使用93个视频作为自然的刺激,fMRI数据收集。最后,收集脑电图信号被眼睛工件和基线漂移和t以及用于分析不同铅脑电图数据的显著差异。实验数据表明,通过调整卷积神经网络的参数,最高two-classification算法的精度可以达到98.8%,平均精度达到83.45%。下的结果表明,大脑源结合视觉和听觉刺激的大脑不是一个简单的叠加的来源单一的视觉和听觉刺激,但是一项新的互动生成源。

1。介绍

视听同步诱导脑电图(EEG)的研究是一个重要的脑-机接口(BCI)系统的一部分。BCI系统提供了一种新的方式对人类交流不依赖周围神经和肌肉,也就是说,通信和控制外部世界通过测量脑电波或其他人类大脑电生理信号。通过研究大脑的认知机制,探索其有效的信息处理方式,和推广领域的研究结果智能系统,如电脑,电脑的智能处理能力可以提高,以促进信息科学的快速发展。

通过将原始脑电波信号转换为特征空间以字符串的形式在某种程度上,可以减少信号噪声,脑电波信号的变化模式可以抽象,和脑电波信号的局部信息可以最大限度地保存。为了克服传统方法的缺点,我们提取模态函数与特定的EEG信号的任务,大大提高了情感分类任务基于EEG信号的性能。

在EEG信号分析和处理的实际应用,如时域和频域信号分析方法先后介绍了。Lawhern相信BCI使用神经活动作为控制信号直接与计算机通信。对于一个给定的BCI的例子中,特征提取器的不同特征和分类器定制的EEG控制信号将限制其应用程序特定的信号。在这里,他提议是否可以设计一个CNN架构准确分类脑电图信号从不同的BCI范式而使其尽可能紧凑。在这项工作,他介绍了EEGNet,紧凑的卷积网络基于脑电图的BCI。他介绍了卷积和的使用分离卷积来构造一个EEG-specific模型,它封装了著名的脑电图特征提取BCI的概念。他EEGNet与当前最先进的方法相比四个BCI范例:视觉诱发电位P300,错误相关负响应(白尾海雕)motor-related皮层电位(MRCP检查),和感觉运动节奏鼻中隔黏膜下切除术后()。尽管他的研究的结论是正确的,研究对象是相当模糊的(1]。张认为,正则化已成为脑-机接口的方法来防止过度拟合脑电图分类。正规化的有效性通常是高度依赖的选择正则化参数通常由交叉验证(简历)。然而,简历对BCI两个主要限制:(1)用户需要大量的训练数据;(2)需要相对较长的时间来调整分类器。这些限制将大大降低系统的实用性和可能导致用户不愿使用BCI。他们介绍了稀疏贝叶斯脑电图分类方法,通过使用拉普拉斯算子之前,SLaplace。贝叶斯证据框架下,他们使用拉普拉斯算子学习稀疏先验判别向量,以分层的方式。所有必需的模型参数可以自动从训练数据中估计不需要简历。虽然他们的研究更有针对性,这是不够全面的2]。凡认为,社会科学中的许多变量,物理科学,生物科学(包括神经科学)非正态的分布。为了提高这种数据或允许的统计特性参数测试、对数或对数转换通常使用。Box-Cox转换或临时方法有时被用于参数,这些参数,没有转换,接近正常。然而,这些方法并不总是符合高斯。他们讨论了一个转换映射概率分布的正态分布尽可能精确的连续分布的一致性。为了说明这一点,转换应用于理论分布,应用定量脑电图(qEEG)从重复测量32高度异常对象的录音。一致性与高斯使用对数比,对数或Box-Cox转换。他们的研究缺乏实验数据(3]。

本文的主要贡献如下:(1)一个有效的实验建立了认知神经科学范式,并得到了视觉情感的认知规律,提高分类识别率;(2)提高鸡蛋信号的分析和处理过程,促进计算机科学和医学的更好的整合;(3)脑电图数据的特征提取和分类算法改进利用ERP技术进行。

2。情感认知和脑电图信号

2.1。基于复杂系统的情感认知

情绪是一种心理评估由身体的东西在周围环境相对于自己的需要。可以看出,认知过程具有非常重要的意义的生成和调整情绪。身体不断地使用认知机制来评估和判断事物周围的环境可以满足身体的适应需求,并在此基础上,积极或消极的情绪反应。当身体采用更加简洁和清晰的认知结构和策略,身体评估事情的方式将是相对简单的,和情感体验生成的这个时候更有可能是在一个强大的国家;当人体采用更复杂多变的认知结构和认知策略,身体将评估周围的事物从多个方面和多个水平,和情感体验生成的这个时候更可能倾向于温和的状态;即认知结构的复杂性和认知策略的差异可以极大地影响情感的生成和经验(4]。

复杂系统理论是系统科学的前沿方向,和它的主要目的是揭示一些难以解释的动态行为与现有的科学方法。有别于传统的简化的方法,复杂系统理论强调整体论和还原论分析系统。复杂系统各个参数的变化非常敏感和部分结构系统中,而人类的大脑和神经系统是非线性和极其复杂的系统。因此,对情感的认知进行研究时,人们会使用复杂的系统的理论,更好地感受人类身体的变化,实现高度的相关性在许多领域,如心理学、生理学和神经科学。

2.2。脑电图信号

当外部刺激作用于神经元之间的电位差细胞膜内外两侧的减少,和兴奋性增强。主动生成潜力,会产生一个脉冲峰值两边的细胞膜,这改变了积极和消极的价值观从内部到外部。突触的过程需要传递神经元兴奋性不同,和突触传递兴奋性中发挥非常重要的作用。在传播的过程中兴奋,兴奋的感觉细胞在接触位置脉冲突触后,胶囊进入温泉活动,释放神经递质物质突触后放松,像一个接收器细胞膜,它可以感觉到表面的神经递质和捕捉身体引起的一系列的物质细胞膜离子通道的变化,引起的膜电位,即引发突触电位(5]。

脑电波大致可以认为是占主导地位的正弦波的波形,波形的脑电波可以表示为参数如频率、振幅和相位。(1)α波出现当你清醒和平静地闭上眼睛。8∼13赫兹的频率,振幅是20∼100μ诉这是最节奏在脑电波波形。在视觉刺激或相关认知,α波将立即被β波。(2)β波出现时,大脑兴奋,这是与精神紧张和情绪激动。14∼30 Hz频率和振幅是5∼20μv,这是一个快速波。(3)当加拿大国际发展署波显示困倦或心理焦虑,是4∼7赫兹频率和振幅是10∼50μ当满足v。(4)δ波深麻醉下,缺氧,或有机大脑疾病,0.5到3赫兹的频率和振幅的20 - 200μ诉的实际测量脑电波信号由上述多个频率成分,通常包含大量的背景噪声(6]。

脑电图的特点如下:(1)脑电图较弱和干扰噪声是强大的。一般来说,脑电图的振幅只有50μ诉的观察,nonstudy对象的信号很强;例如,一些不可避免的干扰因素会导致强烈的干扰噪声。由于这些干扰因素,脑电图的要求需要增加提取和加工设备。例如,脑电图检测系统和分析系统需要高输入阻抗、高共模去除比率,和低噪声放大技术。(2)脑电图是不稳定的和随机的。信号的不稳定意味着信号的统计特征与统计分析的时间。事实上,脑电波的节奏与精神状态的变化。脑电波的非平稳变化是由于某些生理因素构成的脑电波,它有一个相对强劲的自动适应外界的能力。(3)脑电图的频域特征是清晰的,各种频率和功率谱分析和处理技术决定比其他生理电信占据更重要的地位。(4)每次读取信号之间的互信息是很重要的。 This is because EEG generally uses multichannel signals obtained by a multielectrode measuring device [7]。

2.3。情感分类的EEG信号

情感所产生的脑波信号测试对象在特定的情绪刺激。与睡眠脑波分析任务相比,情感所产生的脑波信号刺激是更长时间。所有点的脑电波信号与一个特定的情感无关,和大部分的情绪产生局部地区(8]。

高斯过程概率变量的集合,根据联合高斯分布。在高斯过程回归,这些概率变量代表独立变量的值函数。高斯过程回归假设自变量函数分布的平均值为0,以及它们之间的相关性是由协方差函数。常用的协方差函数如下(9]:

完全连接层通常使用将Softmax模型来解决multiclassification问题。Softmax的损失函数如下:

的公式,代表输入的j激光强化层的神经元节点(通常是最后一层),和代表的总和所有神经元的输入节点的整个l层。为了防止当地的优化J(θ),介绍了权重衰减项。具体表达式如下:

人类没有意识到通过像素像素但获得当地的信息从一个区域的一部分,收集当地所有的信息,最后将其集成到全球信息。一般来说,在任何图像,两个像素之间的距离越近,它们之间的相关性就越大,而两个像素之间的相关性远是相对小的10]。事实上,人类神经元只能捕捉图片的本地信息,不应对全球信息。但最终,当前选中的属性分类根据杂质的功能。如果选择这个属性可以减少杂质,那么这个属性可以单独的数据。如果杂质函数表示我(t),纯度增益来标示

骰子相似系数计算公式如下:

视频系数计算公式如下:

小海湾系数计算公式如下:

测量系数计算公式如下:

Jaccard系数计算公式如下:

2.4。生理基础的音乐——Image-Induced脑电图

情绪和情感有密切关系,它既区别又联系。认知的过程是伴随着人类的情感和情绪。它来自认知的过程和影响认知的行为和活动。

当我们有不同的情绪,如快乐,愤怒,悲伤,我们通常有情绪,然后情绪。一代的情感不需要条件反射,而情感逐渐获得和发展的社会。情绪极其不稳定,情绪是相对稳定的。一般来说,情绪不稳定,情境和暂时的。与情感,情绪更稳定,这是一个体现的本质和在任何时候都不会改变。诱导不同的情绪情感研究的是最重要的前提。情感可以通过外部刺激和内部诱导反应。目前,常见的情绪感应方法可分为两类:主观的感应和事件归纳。引出主题是让受试者回忆的记忆片段与感情色彩或想象的场景与特定的情绪状态诱导的具体情感主题。这种方法的缺点是它不能确保参与者回忆对应的内存碎片或可以想象现场特定的情绪状态,所以很难确保受试者能够成功地诱导特定的情绪; even if the induction is successful, it is difficult to measure the duration of the corresponding emotions. Event elicitation is based on the mirror neuron theory, using external means to induce subjects to produce corresponding emotions. It is the most common event inducing method to induce the subjects’ different emotions through external stimuli such as pictures, music, and video, and it is also the most commonly used emotion-inducing method by researchers. Emotion induction is the precondition of emotion recognition research. If the subjects’ emotion cannot be induced successfully, the follow-up research will not be conducted or the wrong results will be obtained [11,12]。

3所示。脑电图实验在情感认知视觉和听觉协同刺激

3.1。实验数据集

DEAP数据集包含一个原始EEG信号的预处理版本,和其主要内容如表所示1。这个版本downsamples原始信号,采样频率在128赫兹。在4 - 45赫兹信号过滤通过带通滤波器,然后电信号的痕迹被盲源分离。在这个实验中,32诱导脑电图信号在数据集设置为5.0,兴奋和快乐,兴奋,和被分类为低(得分< 5.0)和高(分数≥5.0),分别;3情感维度,分别作了两个分类(13]。

3.2。实验平台

实验使用演讲写实验刺激计划。表示可以与ERP交互、梅格、核磁共振成像等,通常是用于刺激认知实验演示和实验过程控制。它运行在Windows环境下,可以达到毫秒时间精度(14]。

3.3。实验过程

(1)功能磁共振成像数据采集进行了使用93个视频刺激一样自然。这些视频被分为八大部分,三个科目使用MRi-compatible虚拟现实眼镜设备,当他们通过功能磁共振成像扫描。参数30-axis片、矩阵大小64×64,层厚4毫米,220 mmFOV TR = 1.5年代,TE = 25 ms,和资产= 2 (15]。(2)为了防止被试受到强烈刺激图片颜色实验,实验采用了黑色背景分辨率640∗480和屏幕的大小等于一半。此外,实验图片有相同的亮度和对比度。提供的图片被随机分为5部分,以随机的方式有效地避免练习效应和疲劳效应。每张图片介绍3 s和图片刺激之间不断呈现在每一个酒吧。结束后各部分的实验中,受试者可以选择是否休息。实验持续了5分钟16]。(3)脑电图数据采集:首先,设置存储路径的脑电图数据;然后EEG信号记录观察到的受试者在屏幕上。脑电图信号稳定时,屏幕上的视听刺激实验范式提出的课题。最后,按照设计的实验范式流,受试者引起情绪图片和声音收集脑电图信号(17]。

3.4。数据处理

(1)数据格式转换(转换.cnt .mat格式):由于原始数据是一种.cnt格式文件收集的扫描软件,本文使用EEGlab工具箱将其导入Matlab然后处理它。处理后的数据保存在.mat格式,并可以使用.mat中的数据格式。后续的特征提取和其他作品所产生的数据还可以使用.mat格式。(2)完整的独立分量分析处理数据。使用ICA算法在EEGlab工具箱分解数据,并去除工件眼电和肌电等信号实现去噪(18]。

4所示。脑电图分析情绪认知在视觉和听觉的基于复杂系统的聚集有关

4.1。分析全球特性差异的结果

首先,选择的初始值卷积层的权向量,学习速度是1e−5、动量因子是0.9。八个均匀分布的概率分布条件下,零点分布,正态分布,不同的初始化权重向量的影响情感识别的准确性在图所示1。从表中可以发现,分类精度最高,当初始化权向量是均匀分布的。的功率谱熵P区、PT区、和O区域的水平变化不明显,这也表明,这些地区有一个小与情绪的关系。

如图2和表2的功率谱熵F区,区,C区与水平变化波动较大,特别是在F区。的功率谱熵F区与水平变化有上升趋势。这可能是由于这一事实,大脑处于高度紧张的状态,当查看底层的图片,使脑电波的规律性强,功率谱熵更高。

如表所示3图片的水平增加,对象的状态时更轻松看这张照片,这使得法律的脑电波弱,因此功率谱熵变大。情感对人类生活的重要性是不言而喻的,它会影响个人的外部因素评价和影响个体的行为模式在处理外部的东西。情感和执行功能之间的关系也成为近年来的研究热点。通过对患者焦虑和抑郁的研究,人们发现,情绪影响个体工作记忆、更新、转换、和其他能力(19,20.]。

图3显示的准确性比较五的两分的情感识别算法。图中的横轴代表测试人员数量,纵轴代表了准确率。从图可以看出,当使用统计特征作为输入,两个算法,RBF-SVM Linear-SVM,用于情感识别,算法的精度通常是低于。

如表所示4的比较,通过本文算法的精度和算法的文献,可以发现本文使用预处理脑电波信号作为输入。通过调整卷积神经网络的参数,最高的两种算法的准确率可以达到98.8%,平均准确率为83.45%;情感识别算法相比的卷积神经网络,使用统计特征作为输入,这是显著提高(21]。

如图4稀疏的增加,聚类系数C在不同稀疏水平单调增加,和聚类系数可以测量大脑功能网络的聚类特性和紧张。高激励的条件下,大脑网络的聚类系数较低的快乐是小于的大脑网络高快乐;低愉悦的情况下,聚类系数低唤醒大于高唤起的聚类系数。

如图5和表5,这可能表明,在更高的快乐条件下,大脑的神经更加兴奋,当地增加大脑区域之间的联系,和大脑功能连接增强,并在同等条件下的低快乐,与低唤醒大脑的脑功能高于高唤醒。大脑的脑功能网络有更多的大脑区域之间的连接和本地连接功能更强。研究结果对当地效率与聚类系数的研究结果相一致。这两个属性都可以反映当地的大脑功能的分化能力。在一起,这两个显示high-pleasure情绪促进大脑的本地信息处理和处理(22]。

4.2。脑电图分析特征提取结果

的平均精度离散尺寸如表所示6。从图可以看出,平均精度得到了改善。当使用卷积神经网络来解决图像分类的问题,输入非结构化图像数据;也就是说,我们不需要提取图像的所有功能。同时,每一层的操作在卷积神经网络相当于算子提取图像特征与功能,和功能操作符的参数可以调整和整个网络的训练过程中不断更新,以便优化分类结果。

如图6的特性,可以在整个网络中提取与网络模型的规模密切相关。网络模型的规模越大,可以提炼出更多的功能,更多类型可以有效区分23]。此外,由于卷积内核参数在整个培训过程中不断更新和调整,不需要特别注意每一层的处理结果,但调整每一层的参数在一个合理的范围内基于网络的输出误差,最后完成。从自主学习到抽象特性表达式,实现图像分类。相反,我们使用所有体素的平均强度所选的大脑区域作为基准。这样的选择有一个优势相同的转换因子扩张的结果。

如图7和表7分开,而灰质强度计算,它会影响信号的变化百分比。大脑白质是15%比35%灰质,并使用全脑平均信号百分比减少5%的基线只用灰质。一般来说,这种差异很小的大小相对于其他错误。同样,阈值用于覆盖整个大脑只有一个小影响阈值的合理范围(24]。

4.3。同步分析脑电图诱发的视觉和听觉感知

EEG相同步指数的结果t以及在图所示8和表8。结果表明,脑电图同步性指数之间存在显著差异的快乐情绪认知(积极情感)和愤怒,悲伤,惊讶、厌恶、恐惧情绪认知(消极情绪)。当收到愉快的面部表情图片和声音同步刺激,parietooccipital叶和左额叶有很高的脑电图相位同步;即视觉区和左情感区有一个同步振荡现象,和同步颖叶和左额叶不高;也就是说,同步振荡的现象不明显。

如图9和表9,我们可以推断,视觉通道中起着主导作用的感觉快乐。当收到刺激的悲伤表情图片和声音同步,枕叶和颖叶有很高的脑电图与右额叶相位同步;即视觉区和听觉区与正确的情感同步振荡区域,但叶子显示。与同步右额叶相比,枕叶之间的同步和右额叶较高。从这一点,可以推断,在悲伤情绪的认知,听觉通道起主导作用和视觉通道起着支持作用。当神经元处于静息状态,积极的和消极的指控是均匀地分布在细胞膜内外,但是由于重叠的积极和消极的中心,所有的神经元表现出电气性能也不会在外面也不会形成电夫妇(25,26]。

如图10和表10神经元刺激时,细胞膜极化状态取消,内部和外部的电荷分布不均匀,和的正负电荷中心不重合,形成一对电夫妇。在良好的条件下,发生类似的情况。三个脑区pF, LO, PPA形成一个网络,但他们与STS无关。STS能够感知三个模态刺激:单一的视觉,单一的听力,和视听一体化,所以有可能是这种模式的声音只是处理STS和无关网络由这三个脑区。根据multivoxel模式分析的结果,我们发现STS大脑区域也参与代表场景和声音之间的语义相似度,因此我们进一步探讨整个大脑功能连接到STS声音和场景下的任务。

如图11,结果发现有共同的部分脑区共同负责处理场景和任务STS的声音:感知相关(岛叶),空间意象和记忆(枕中间区域),语义相关(颞中回的)和对象感知相关大脑区域(LOC),和视听集成。随着分解层数的增加,波形平滑,更多信息丢失;相反,分解层数越少,越干涉波形。它可以通过策划上面层的近似系数和细节系数,以及预处理脑电图信号受到五小波分解,和获得的波形具有良好的平滑,同时保留细节更完全。因此,第五层的小波系数算法重构提取视觉诱发脑电的P300特点,刺激听觉,视觉和听觉的目标模式。无论是视觉、听觉或视听联合刺激模式中,小波变换方法能有效地提取P300诱发EEG信号的特点,所以目标刺激三种模式可以有效地区别不属预定目标的刺激(27,28]。

如图12和表11引起的,在ERP不同效价的情绪图片刺激,中间组件和组件在振幅也表现出显著差异。右脑,high-pleasure图片引起的负波振幅明显高于低引起的负波振幅快乐的照片。这种现象可以表明积极的刺激右脑,可以得到更多的认知资源和情绪在右脑。更精确的评估处理,这种认知过程包括注意力和记忆力的认知过程。不同的视觉信息处理与不同价存在于心理过程的每个阶段。

如图13高唤醒条件下或低唤醒条件下,300毫秒后,左右大脑有不同的处理方法对不同价的视觉信息,但他们都参与情绪处理过程中,无论是在额叶和中部地区。反映这种差异处理。研究ERP情感效价的影响主要集中在负面的偏见,但在这个实验中没有明显的负面偏见。这是因为负偏压主要发生在注意力资源相对缺乏,和消极的刺激更多的心理资源的分配。当心理资源是充分的,之间没有差异优势积极和消极情感信息处理。

5。结论

本文主要研究脑电图的变化的协同作用下,音乐和图像基于复杂系统的视觉和听觉刺激。与事件相关的潜在技术是用于分析和研究视觉情感认知的规则。基于情感价和大脑活动分析方法基于情绪激发大脑活动分析方法被用来比较两个指标的测试人员的情绪效价和兴奋。标志作为一个标签,通过选择音乐视频测试人员的情感诱导材料,它有效地诱发测试仪产生明显的情绪变化。让测试人员观看视频断断续续,收集生理身体在观看过程中,产生的信号预处理收集到的人体生理信号来构造一个新的数据集,最后使用的数据集算法测试。

特征提取是进行预处理的视觉,听觉,和视听联合诱发脑电波信号。当一个单通道(视觉和听觉)刺激给完成积极的情感认知,右额叶有更高的同步与视觉和听觉的大脑区域,与大脑接收视觉或听觉刺激;期间完成的负面情绪认知时,左额叶和其他功能区域没有显示同步活动。这项研究的结果表明,当收到一个单通道(视觉和听觉)刺激来完成情感认知、积极情绪会导致同步电活动相关的大脑区域超过负面情绪。

身体的情绪状态会影响注意分配的模式。如果身体处于积极的情绪状态,它更有可能采取自上而下的信息处理方法,它依赖于身体的已形成知识和经验结构。相反,消极情绪状态的生物更有可能采取更为系统的信息处理策略,这是一个自下而上的信息处理方法,它不依赖于身体的知识和经验。同时,机体采用这种方法将更加关注当前的刺激计划的细节。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。

引用

1. v . j . Lawhern a·j·梭伦,n . r . Waytowich”EEGNet:一个紧凑的卷积网络因为它使得基于脑电图的脑-机接口,“《神经工程,15卷,不。5、文章ID 056013, 2016。视图:谷歌学术搜索
2. g . y . Zhang周,j·金,“稀疏贝叶斯分类EEG对脑机接口,“IEEE神经网络和学习系统,27卷,不。11日,1页,2016。视图:出版商的网站|谷歌学术搜索
3. s . j . Van Albada p·a·罗宾逊,“任意分布的变换与应用正态分布,脑电图两次试验法的可靠性,”杂志Neuroence方法,卷161,不。2、205 - 211年,2018页。视图:谷歌学术搜索
4. 美国Olbrich、r . Van Dinteren和m .攻击“个性化医疗:评论和观点的基线脑电图生物标志物在重度抑郁症和注意缺陷多动障碍,”Neuropsychobiology,卷72,不。3 - 4、229 - 240年,2016页。视图:出版商的网站|谷歌学术搜索
5. z局域网,o . Sourina l . Wang和刘y,因为它使得基于脑电图实时情感监控使用稳定的特性,“计算机视觉,32卷,不。3、347 - 358年,2016页。视图:出版商的网站|谷歌学术搜索
6. gdp热内罗,p . p . Quarato和f·塞巴斯蒂安。”发作的心率增加先于脑电图在耐药内侧颞叶癫痫放电,“临床神经生理学,卷115,不。5,1169 - 1177年,2016页。视图:谷歌学术搜索
7. h . Merckelbach、p·缪里斯和r .霍锡林伯格“脑电图的纸笔考试相关测量hemisphericity,”临床心理学杂志,53卷,不。7,739 - 744年,2016页。视图:谷歌学术搜索
8. r·柴g·r·奈克,t . n .阮et al .,”司机疲劳与独立分量分类熵率最小化分析因为它使得基于脑电图的系统,”IEEE生物医学和卫生信息学杂志》上,21卷,不。3、715 - 724年,2017页。视图:出版商的网站|谷歌学术搜索
9. w·o·泰特姆,o . Selioutski j·g·奥乔亚et al .,”美国临床神经生理学学会指导7:脑电图报告指南”《神经诊断卷,56号4、285 - 293年,2016页。视图:出版商的网站|谷歌学术搜索
10. w . Biesmans: Das、t . Francart和a·伯特兰”Auditory-inspired演讲因为它使得基于脑电图包络提取的方法改善听觉注意力检测在鸡尾酒会的情况下,“IEEE神经系统和康复工程,25卷,不。5,402 - 412年,2017页。视图:出版商的网站|谷歌学术搜索
11. t·w·p·詹森·m·架子,k . Gelade r·范·Mourik A .马拉什和j . Oosterlaan”影响的随机对照试验neurofeedback,哌醋甲酯,和身体活动在儿童多动症,脑电图功率谱”儿童心理学与精神病学杂志》上卷,57号5,633 - 644年,2016页。视图:出版商的网站|谷歌学术搜索
12. 诉Goverdovsky, d·鲁尼,p . Kidmose, d . p . Mandic”从粘弹性通用耳机入耳式脑电图:健壮的和不引人注目的24/7监测,“IEEE传感器杂志,16卷,不。1,第277 - 271页,2016。视图:出版商的网站|谷歌学术搜索
13. 美国诉Eyndhoven、t . Francart和a·伯特兰”EEG-informed出席议长从录制演讲混合物中提取与应用程序在neuro-steered听到假肢,”IEEE生物医学工程,卷64,不。5,1045 - 1056年,2016页。视图:谷歌学术搜索
14. l .他胡d . m .广域网,“因为它使得基于脑电图的常见的贝叶斯网络分类多级运动图像BCI,”IEEE系统人&控制论系统,46卷,不。6,843 - 854年,2017页。视图:谷歌学术搜索
15. m . m . Stecker d . Sabau l·r·沙利文et al。”美国临床神经生理学学会指南6:脑电图记录的最低技术标准在疑似脑死亡,”《神经诊断卷,56号4、276 - 284年,2016页。视图:出版商的网站|谷歌学术搜索
16. Hofmeijer和m . j . a . m . Van Putten“脑电图postanoxic昏迷:预后和诊断价值,”临床神经生理学,卷127,不。4、2047 - 2055年,2016页。视图:出版商的网站|谷歌学术搜索
17. t·l·t·哒问题,a . j . Kozakevicius和c·r·罗德里格斯,“单通道脑电图睡眠阶段分类基于一套简化的统计特性,在小波域,“医学和生物工程和计算,55卷,不。2、1 - 10,2017页。视图:出版商的网站|谷歌学术搜索
18. r·古普塔k . ur Rehman Laghari, t·h·福尔克”用图论相关向量分类器决策融合和脑电图特点自动描述情感状态,”Neurocomputing卷,174年,第884 - 875页,2016年。视图:出版商的网站|谷歌学术搜索
19. f .气、李y和w·吴”RSTFC:小说时空过滤和分类算法的实验脑电图,”IEEE神经网络和学习系统,26卷,不。12日,第3082 - 3070页,2017年。视图:谷歌学术搜索
20. s Finnigan a . Wong和s .读“定义异常脑电图慢活动在急性缺血性中风:δα比作为一个最佳QEEG指数”临床神经生理学,卷127,不。2、1452 - 1459年,2016页。视图:出版商的网站|谷歌学术搜索
21. a . Thul j .淫荡的j·多尼et al .,“脑电图熵措施表明减少皮质信息处理障碍的意识,“临床神经生理学,卷127,不。2、1419 - 1427年,2016页。视图:出版商的网站|谷歌学术搜索
22. j . GrNli m . j . Rempe和w . c . Clegern“β脑电图反映了活跃的觉醒和自我平衡的感觉处理睡眠开车在安静的清醒,“睡眠研究杂志》,25卷,不。3、257 - 268年,2016页。视图:谷歌学术搜索
23. m . Leitinger e . Trinka大肠Gardella et al .,“诊断准确性的萨尔茨堡脑电图标准non-convulsive癫痫持续状态:一项回顾性研究中,“《柳叶刀神经病学,15卷,不。10日,1054 - 1062年,2016页。视图:出版商的网站|谷歌学术搜索
24. g .因为,w . Chmielewski和m . Muckschel”反应在反应抑制mode-dependent neurofunctional网络的差异:一个EEG-beamforming研究中,“大脑结构和功能,卷221,不。8、1 - 11,2016页。视图:出版商的网站|谷歌学术搜索
25. s . Charbonnier r·n·罗伊,帽子,和a .窄花边”脑电图指数控制运营商的精神疲劳监测使用脑区之间的相互作用,”专家系统与应用程序52卷,第98 - 91页,2016年。视图:出版商的网站|谷歌学术搜索
26. r·辛克Hunyadi Borbala, s . v . Huffel”移动脑电图在自行车上:听觉注意力任务,理清注意力和物理贡献”《神经工程,13卷,不。4、46017 - 46019年,2016页。视图:出版商的网站|谷歌学术搜索
27. x c . Cheng Wei和z剑,“情感识别算法基于卷积神经网络,”学报》2017年第12智能系统和知识工程国际会议(ISKE)IEEE,吉隆坡,马来西亚,2017年11月。视图:谷歌学术搜索
28. d . g . Dessavre j . e . Ramirez-Marquez和k·巴克,“多维复杂系统的弹性分析方法,”可靠性工程和系统安全,卷149,不。5,34-43,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020林Gan et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。