公共文化服务平台

共 6 条记录，以下是 1-6

全选清除导出

排序方式：

基于时域平滑约束的脑磁时序信号逆问题求解方法被引量：1: 2016年; 由脑磁时序信号重建脑内时序神经信号时,除了要保证重建信号位置和强度的准确性,还要避免重建源信号在时域上瞬变.针对这一问题,提出了一种基于时域平滑约束的脑磁时序信号逆问题求解方法.该方法不同于传统最小范数估计算法(Minimum Norm Estimate,MNE),通过引入时域平滑正则算子构造双参数混合正则化,根据广义交叉验证(Generalized Cross-Validation,GCV)原则选取双正则化参数后,根据单正则项的解在源信号中的权重将其进行线性组合估算出源信号.仿真数据实验表明,本文方法比传统MNE方法的总体均方误差小,且各时刻均方误差基本稳定在同一水平;同时本文方法重建的源信号与仿真源信号变化趋势基本一致.真实数据实验发现,本文方法重建结果的曲率变化率为0.0640,而传统MNE方法重建结果的曲率变化率为0.1646.实验结果证明本文方法能重建出空域准确且时域平滑的脑内神经信号.; 刘婷戴亚康杨莹雪王玉平; 关键词：逆问题

基于SVM和有监督描述子学习算法的脑MR图像颅骨分割方法: 2017年; 神经电流源定位研究首先要解决EEG、MEG正问题的计算。在求解MEG和EEG正问题的过程中,为了精确地计算传导矩阵,常常需要对脑组织进行分层建模。在脑MR图像中,虽然软组织能被清晰地成像,但颅骨却由于缺少氢而呈现低灰度值,从而很难自动分割出颅骨。因此如何从脑MR图像中准确、自动分割出颅骨是解决MEG、EEG正问题的关键。为解决上述问题,提出一种基于支持向量机的自动脑MR图像颅骨分割方法,提取病人MR图像的全局特征和局部特征进行训练,并结合有监督描述子学习算法SDL,将得到的特征矩阵进行压缩,去掉冗余的特征,得到一个紧凑的特征描述,最终利用SVM从脑MR图像中自动识别出骨骼。实验结果表明,采用支持向量机结合有监督描述子学习算法的分割方法与仅使用支持向量机和仅使用数学形态学方法相比,分割精度进一步提升,Dice分割精度分别为0.832,0.798,0.482,从而解决了从脑MR图像自动分割颅骨的任务,并为解决EEG和MEG正问题的研究奠定基础。; 黄勇其史文博周志勇庞树茂佟宝同赵凌霄戴亚康; 关键词：支持向量机

一种基于脑MR图像的三层头模型自动分割方法: 2015年; 在求解脑电图EEG及脑磁图MEG正问题的过程中,常需要对人体组织中介电常数差距大的地方进行分层建模,以便更加准确的计算其传导矩阵。在人体脑部的各个组织中,颅骨和周围脑组织的介电常数差别尤其大。如何从脑MR图像中自动、准确地分割出颅骨部分,成为精确计算MEG/EEG正向传导矩阵的关键问题。而在磁共振图像(MRI)中,虽然软组织能被很清晰的成像,但颅骨却因为缺少氢而在图像中成像模糊,用传统的分割算法很难自动分割出准确的结果。为解决上述问题,本文提出一种结合脑组织平滑的先验信息和基于形变的曲面演化自动分割算法,来分割脑MR图像中的颅骨部分。再利用基于水平集的活动轮廓方法提取出头皮组织,进而构建出EEG及MEG正问题计算所需的三层真实头模型。我们将自动分割结果与手动分割结果进行了比较,证明了本文方法的有效性。; 游佳丽周志勇章程陈光强戴亚康; 关键词：C-V模型 MR影像 MEG

基于奇异值分解和最小L2范数解的动态脑磁源重建被引量：1: 2015年; 脑内神经信号的动态传递过程在临床脑疾病诊断和认知科学中得到了越来越多的重视和研究。为求解动态脑磁逆问题,本文提出通过时域子空间求解动态脑磁L2范数解的方法并验证其可行性。具体地,对脑磁测量信号进行奇异值分解,通过右奇异向量矩阵构造源信号的时域子空间,将测量信号和待求源信号投影到时域空间进行求逆,然后将解反投影到解空间重建出动态脑磁源信号。与施加时域约束的双正则化方法相比,本文方法计算量大大降低,不同噪声水平下本文方法的均方误差都小于双正则化方法,而且重建出的源信号与仿真信号吻合更佳,信噪比更高。; 刘婷戴亚康杨莹雪王玉平; 关键词：奇异值分解脑功能神经传递

联合改进CEEMD与近似熵的脑电去噪方法被引量：12: 2017年; 针对现有完备总体经验模态分解方法在脑电去噪中的模态筛选偏差问题,结合改进的完备总体经验模态分解(ICEEMD)与近似熵,提出一种新的脑电(EEG)信号去噪方法。对EEG信号进行ICEEMD分解,得到一系列本征模态函数(IMF),再对IMF分别计算近似熵,比较并选择近似熵值最大的IMF作为去噪后的信号。基于模拟信号和真实脑电信号的实验结果表明,与添加自适应噪声的完备总体经验模态分解方法相比,该方法能得到更清晰稳定的去噪结果,并且解决了IMF盲目选取导致的去噪失准及虚假模态等问题。; 张欢刘燕佟宝同赵凌霄杨莹雪王玉平戴亚康; 关键词：脑电去噪近似熵

基于自适应驱散机制的粒子群优化算法被引量：3: 2017年; 为克服粒子群优化算法(PSO)易陷入局部最优导致早熟收敛的问题,提出了一种新型的基于自适应驱散机制的粒子群优化(ADMPSO)算法。基本的粒子群优化算法易陷入局部最优,一般的改进算法在搜索过程之中对个体最优和全局最优结果进行调整,虽然避免了粒子群陷入局部最优,但会很大程度减慢收敛速度。提出的改进算法只有在种群快要陷入局部最优时,才会对粒子群进行有效驱散,这样不仅保证了收敛速度,又不会使粒子群陷入局部最优。对维度30的12个标准测试函数进行测试的结果表明ADMPSO算法相较于经典粒子群(General PSO,GPSO)算法、综合学习粒子群优化算法(Comprehensive Learning PSO,CLPSO)算法和动态多粒子群协调搜索优化算法(Dynamic Multi-Swarm PSO with sub-regional Harmony Search,DMS-PSO-HS),可以更有效避免陷入局部最优,稳定地找到最优值,同时又能保证一定的收敛速度。ADMPSO算法不容易陷入局部最优和迭代次数更少的特点使得PSO算法更加实用化。; 游佳丽周志勇章程戴亚康; 关键词：粒子群

全选清除导出

共1页<1>

国家自然科学基金(61301042)