一、脑性瘫痪高患病率胎尸脑血管临床解剖学特征(论文文献综述)
孙洁琼[1](2021)在《抑郁障碍患者前额区脑电与近红外信号特征融合及脑网络研究》文中指出自进入新世纪以来,经济社会飞速发展,生活压力增加,诸如抑郁障碍之类的精神疾病日益困扰着人们,并伴随诊断准确性相对较低的问题。本文设计了音频刺激实验,同步得到前额三导脑电信号与前额的功能性近红外光谱信号识别抑郁障碍,研究了面向抑郁障碍的脑电与近红外信号的特征融合及脑网络,主要研究如下:(1)由于脑电信号时间分辨率高,近红外信号时间分辨率低,所以将二者结合,同步采集分析可以使两种方法优缺点互补。设计了基于音频刺激的实验,通过前额三导脑电和前额叶近红外光谱设备采集被试音频刺激下的同步脑电和近红外信号。(2)为了得到比较纯净的信号,便于后续分析,分别对脑电信号和近红外信号进行预处理,再分别提取线性和非线性特征进行抑郁障碍患者和健康人的分类。预处理时,对脑电和近红外光谱信号进行滤波、分段、基线校正等处理。再对脑电信号提取方差、峰值等线性特征,功率谱熵、Kolmogorov熵、C0复杂度等非线性特征;对近红外信号提取方差、峰值等线性特征,皮尔逊相关系数等非线性特征。再分别用支持向量机、K近邻和使用误差反向传播算法的多层前馈人工神经网络分类器分类。(3)为了证实多模态融合的有效性,先直接融合脑电信号和近红外光谱信号的特征,再用主成分分析和线性判别分析算法分别融合特征,讨论了两种特征融合方法的分类效果,并且与前文的特征分类效果对比,结果表明当使用LDA融合特征并且用KNN分类器判别时,分类准确率更高,为87.5%。(4)由于被试的脑电信号只有三导,而近红外信号是22导的数据,所以采用被试的近红外信号构建脑网络连接图,算出聚类系数、平均最短路径长度和全局效率等特征,从脑网络的角度进行抑郁障碍的识别分类,结果表明对脑网络特征使用K近邻分类器时的分类准确率最高,为84.38%。实验结果表明,对于大脑前额叶,选择合适算法对前额三导脑电信号和前额近红外光谱信号进行特征融合,能够有效地提高抑郁障碍的识别率,体现了多模态信号融合的优势。
王思锐[2](2019)在《基于近红外光谱技术的情绪识别算法的研究》文中研究表明过去的一个世纪,心理疾病已经严重危害到人类的健康,越来越多的研究者开始致力于心理疾病的诊断和预防。情绪是心理状态的外显特征之一,情绪识别是机器学习技术发展的产物,随着情绪感知智能系统的发展,越来越多的特殊设备得以应用于心理疾病的预测和诊断,为早期诊断和治疗心理疾病提供了技术支持。这些设备中,功能性近红外光谱技术(fNIRS)作为一种非侵入式的的生理信号采集设备,因其抗干扰能力强、安全方便等特点而逐渐被采用。本文研究了基于近红外信号的情绪识别算法,具体研究内容如下:(1)考虑到近红外信号时间分辨率低的特性,设计了基于视频刺激的情绪诱发实验范式,通过fNIRS采集设备采集被试情绪诱发下的近红外信号。(2)由于采集到的原始信号包含被试的生理活动信号和仪器工作产生的噪声,需进行去噪处理。通过带通滤波器去除大部分噪声,但部分噪声会与有用的脑信息在时频率产生混叠,需研究有针对性的去噪算法进行处理。针对与有用脑信息频率混叠部分噪声的去除问题,本文提出了WPD-ICA滤波方法,将小波包分解与ICA算法相结合,完成预处理。并将WPD-ICA算法与经典的EEMD-ICA方法进行了比较,结果表明WPD-ICA算法所得到的输出信噪比更高,能更好地解决时频率混叠问题。(3)讨论了KNN、朴素贝叶斯和支持向量机三种分类器在情绪识别中的效果,针对fNIRS的技术特点,本文提取线性特征3种,非线性特征3种,作为分类器的输入,讨论了三种分类器的情绪分类准确率。研究了支持向量机的参数寻优方法,比较了网格寻优和粒子群寻优算法,结果表明当使用粒子群寻优时,分类准确率更高。(4)结合被试的脑地形图和3D激活状态图,分析了被试任务态大脑激活状态。本文完成了基于近红外信号的情绪识别算法的相关工作,并取得了一定的成果。
高晓群,付春景,高龙远,朱炜[3](2003)在《脑性瘫痪高患病率胎尸脑血管临床解剖学特征》文中进行了进一步梳理目的:观察6~7月龄早产儿脑血管的解剖特征,探讨早产儿脑性瘫痪发病率高的形态学基础。方法:解剖观测6月龄和7月龄死亡1h胎尸脑血管各60例。均剪除颅盖和部分脑膜用水冲去脑浆,保留相应的动脉和静脉结构,用手术显微镜观测之。结果:胎尸6~7月龄脑血管,按血管吻合网的部位,脑动脉可分为大脑皮质动脉网;间脑、基底核动脉网和脑干、小脑动脉网。大脑深部髓质的动脉细小稀少又处于动脉网终支交界处。结论:6~7月龄胎儿大脑深部髓质供血较差,易受缺氧伤害。
二、脑性瘫痪高患病率胎尸脑血管临床解剖学特征(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、脑性瘫痪高患病率胎尸脑血管临床解剖学特征(论文提纲范文)
(1)抑郁障碍患者前额区脑电与近红外信号特征融合及脑网络研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 EEG研究现状 |
1.2.2 fNIRS研究现状 |
1.2.3 多模态数据融合研究现状 |
1.3 论文研究内容和组织结构 |
1.3.1 主要内容 |
1.3.2 论文的组织结构安排 |
1.4 本章小结 |
第二章 脑电和近红外技术的研究基础及数据采集 |
2.1 脑电技术理论基础 |
2.1.1 脑电信号的产生 |
2.1.2 脑电信号的测量 |
2.2 功能性近红外光谱技术理论基础 |
2.2.1 fNIRS基本原理 |
2.2.2 近红外信号的测量 |
2.2.3 血氧浓度的计算 |
2.3 大脑功能分区 |
2.4 其他脑影像检测手段 |
2.5 数据采集 |
2.5.1 研究对象 |
2.5.2 实验仪器 |
2.5.3 实验设计及数据采集 |
2.6 本章小结 |
第三章 数据预处理及特征提取 |
3.1 EEG数据预处理 |
3.2 fNIRS数据预处理 |
3.3 特征提取 |
3.3.1 EEG特征提取 |
3.3.2 fNIRS特征提取 |
3.4 本章小结 |
第四章 特征融合及分类 |
4.1 数据融合理论 |
4.2 特征融合算法 |
4.2.1 基于线性判别分析的特征层数据融合 |
4.2.2 基于主成分分析的特征层数据融合 |
4.3 分类器 |
4.3.1 支持向量机 |
4.3.2 K近邻算法 |
4.3.3 BP神经网络 |
4.3.4 交叉验证 |
4.4 抑郁症识别结果分析 |
4.4.1 单模态信号分析 |
4.4.2 双模态信号分析 |
4.5 本章小结 |
第五章 脑网络及其特征分类 |
5.1 复杂网络理论及脑网络 |
5.2 功能脑网络的构建 |
5.2.1 脑网络的构建方法 |
5.2.2 网络指标 |
5.3 分类结果 |
5.4 本章小结 |
第六章 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
(2)基于近红外光谱技术的情绪识别算法的研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究目的 |
1.2 国内外研究现状 |
1.2.1 fNIRS国外研究现状 |
1.2.2 情绪识别国外研究现状 |
1.2.3 fNIRS国内研究现状 |
1.2.4 情绪识别国内研究现状 |
1.3 论文研究内容和安排结构 |
1.3.1 主要内容 |
1.3.2 论文的组织结构安排 |
1.4 本章小结 |
第二章 情绪和近红外光谱技术的研究基础 |
2.1 情绪识别相关研究 |
2.1.1 情绪的知识背景 |
2.1.2 情绪的划分 |
2.1.3 情绪诱发材料 |
2.1.4 情绪识别相关研究 |
2.2 功能性近红外光谱技术理论基础 |
2.2.1 fNIRS基本原理 |
2.2.2 修正的血液动力学响应 |
2.2.3 脑组织成像特性 |
2.2.4 其他脑功能检测手段 |
2.3 本章小结 |
第三章 实验设计 |
3.1 被试及实验环境 |
3.1.1 光极及通道布置 |
3.1.2 采集设备 |
3.1.3 实验设计 |
3.1.4 实验流程 |
3.2 信号干扰 |
3.3 本章小结 |
第四章 实验数据处理 |
4.1 fNIRS信号预处理方法 |
4.1.1 带通滤波 |
4.1.2 血氧浓度计算 |
4.2 去噪算法 |
4.2.1 EEMD分解 |
4.2.2 小波包分解理论基础 |
4.2.3 ICA理论基础 |
4.3 小波包分解-ICA算法 |
4.4 特征提取 |
4.4.1 线性特征 |
4.4.2 非线性特征计算 |
4.4.3 特征归一化及特征融合 |
4.5 本章小结 |
第五章 情绪识别分类算法设计 |
5.1 分类算法设计 |
5.1.1 K近邻算法 |
5.1.2 朴素贝叶斯分类器 |
5.1.3 支持向量机 |
5.1.4 参数寻优和交叉验证 |
5.2 分类准确率以及结果分析 |
5.2.1 分类准确率 |
5.2.2 大脑激活状态分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
四、脑性瘫痪高患病率胎尸脑血管临床解剖学特征(论文参考文献)
- [1]抑郁障碍患者前额区脑电与近红外信号特征融合及脑网络研究[D]. 孙洁琼. 兰州大学, 2021(09)
- [2]基于近红外光谱技术的情绪识别算法的研究[D]. 王思锐. 兰州大学, 2019(08)
- [3]脑性瘫痪高患病率胎尸脑血管临床解剖学特征[J]. 高晓群,付春景,高龙远,朱炜. 中国临床康复, 2003(01)