热搜词

  • 111 Lv.1 新手上路
    2024-9-19
    脑电数据采集/情绪诱发的范式介绍
    查看全文 查看作者
    脑电数据采集与情绪诱发的研究常用于探索人类情绪与大脑活动的关系。通常，这类实验会设计特定的范式，以系统地诱发参与者的情绪状态，并通过脑电图（EEG）记录大脑活动。 1. 情绪诱发范式 情绪诱发范式的核心是通过外界刺激（如图像、声音、视频或任务）引发特定的情绪反应。常见的方法包括： （1）国际情绪图片系统（IAP
    2 1 592 时间序列分析
  • vera Lv.1 新手上路
    2024-9-19
    脑电信号分析：常见的功能性连接特征
    查看全文 查看作者
    脑电信号（EEG）的功能性连接特征主要反映了大脑不同区域之间在神经活动上的相互关联和协同作用。这些特征对于理解大脑的认知功能、疾病状态以及脑网络动态变化具有重要意义。以下是一些常见的脑电信号功能性连接特征： 1. 相锁值（Phase-Locking Value, PLV） 基本原理 PLV 衡量两个信号在相位上的一致性，反映它们
    2 1 475 时间序列分析
  • brain_10 Lv.1 新手上路
    2024-9-19
    微状态常见应用领域论文推荐
    查看全文 查看作者
    EEG微状态分析的应用领域非常广泛，它涉及到认知科学、神经科学、心理学、临床神经生理学等多个学科。以下是一些常见应用领域的论文总结。 1、微状态分析被用于识别与神经精神疾病相关的大脑活动模式。 2、微状态分析有助于研究社会互动和情感处理过程中的大脑动态。 3、微状态分析被用来研
    2 0 715 时间序列分析
  • miguru Lv.8 超级版主
    2024-9-19
    常用的脑电信号特征
    查看全文 查看作者
    在使用深度学习方法对脑电信号进行分类时，一种常见的做法是先提取脑电信号的特征，然后再用深度学习发掘特征与不同状态之间的关联。一些常用的脑电信号特征如下： 时域：峰-峰值，均方根值等。 时频域：功率谱密度、微分熵等。 空间域：DASM、RASM、不对称系数、DCAU、多维度有向信息等。
    3 0 530 时间序列分析
  • vera Lv.1 新手上路
    2024-9-19
    脑电信号的复杂性解析：非线性动力学特征分析技术
    查看全文 查看作者
    脑电信号的非线性动力学特征分析技术主要用于捕捉EEG信号中潜在的非线性行为，如混沌、随机性和非线性相互作用。混沌是指在确定性系统中，虽然系统的行为遵循确定的规律，但其对初始条件的极端敏感性会导致系统状态的不可预测性。下面介绍一些常见的非线性动力学特征分析技术： 1. 相空间重构（Phase Space Reconst
    1 0 452 时间序列分析
  • brain_10 Lv.1 新手上路
    2024-9-19
    微状态发展历史
    查看全文 查看作者
    EEG微状态的概念最早由Lehmann等人在1987年提出，他们展示了EEG信号的alpha频段可以划分为一系列稳定的拓扑状态，这些状态在短时间内保持不变，然后迅速转换到其他状态，这一研究奠定了微状态分析的基础。随后，在1998年的研究中，Lehmann及其同事进一步探讨了微状态与瞬时意识状态之间的关系，提出微状态可能是构成
    1 1 638 时间序列分析
  • brain_10 Lv.1 新手上路
    2024-9-19
    微状态介绍及计算方法
    查看全文 查看作者
    微状态代表了大脑在静息状态下的短暂、稳定的电压拓扑图谱。这些拓扑图谱通常持续约80-120毫秒，然后迅速转换到新的拓扑图谱。对脑电微状态的分析通常分为三步，流程如图1所示。 一、微状态模式提取 计算预处理后脑电信号每个时间点的全局场电位（Global Field Potential, GFP），GFP是所求时间点所有
    1 0 1231 时间序列分析
  • vera Lv.1 新手上路
    2024-9-19
    时频视角下：常见的脑电信号特征提取与分析技术
    查看全文 查看作者
    脑电信号（EEG）的时频分析技术用于同时分析信号的时间和频率特性，揭示在不同时间点上信号中的频率成分是如何变化的，从而提供更丰富的信息来帮助理解大脑活动。以下是常见的几种时频分析技术： 1. 短时傅里叶变换（STFT, Short-Time Fourier Transform）基本原理：STFT通过使用一个滑动窗口对信号进行傅里叶变换，
    0 0 298 时间序列分析
  • miguru Lv.8 超级版主
    2024-9-19
    图神经网络简介
    查看全文 查看作者
    图神经网络(Graph Neural Network, GNN)是一种专门处理图结构数据的深度学习模型。以下是图神经网络的一些基本概念： [*]图的基本组成：图由节点（Node）和边（Edge）组成。节点表示实体，边表示实体间的关系。 [*]消息传递机制：图神经网络的核心思想是通过节点间的消息传递来更新节点的特征表示。具体来说，每个
    1 0 490 时间序列分析
  • miguru Lv.8 超级版主
    2024-9-19
    域适应在脑电信号分类中的应用
    查看全文 查看作者
    脑电信号是大脑神经元活动产生的电信号，通过在头皮上放置电极阵列可以捕捉到这些信号。这些信号反映了大脑的复杂活动，对于理解大脑功能和诊断神经疾病具有重要价值。然而，脑电信号的分类面临着以下挑战： [*]个体差异：不同个体的脑电信号特征存在显著差异，即使是同一人在不同状态下的信号也不尽相同。 [*]设
    0 1 559 时间序列分析
12345下一页
Hi 游客 您好！

欢迎您来到SignBrain

最新快讯

Archiver|小黑屋|SignBrain ( 京ICP备2021039362号 )

GMT+8, 2025-10-30 23:14 , Processed in 0.142970 second(s), 119 queries .

Powered by Discuz! X3.5

Copyright © 2001-2025 Discuz Team.

发布