脑电时间序列非线性高性能计算与仿真

摘要

人脑是复杂的非线性动力学系统，脑科学研究已成为21世纪最重要的研究热点之一。自上世纪20年代脑电(EEG)被发现以来，人类便开始利用脑电对大脑进行无创伤性研究，从而脑电在许多领域都起到了重要作用。传统的方法从频谱和统计学的角度研究脑电时间序列，能够对脑电的部分特征给出详细的解释，为脑电在这些领域中的有效应用做出了一定贡献。然而，这些方法无法对大脑的非线性动力学性质进行深入有效的分析。本文讨论脑电时间序列的非线性动力学高性能计算与分析方法。 非线性时间序列动力学分析分为相图重构和几何特征值刻画两个重要步骤。两个步骤现存较多分析方法，本文通过分析比较这些方法后选择了较佳的且适合脑电分析的方法。然而这些方法的均存在时空复杂度较高的缺点，给对实际系统分析带来困难，本文对其进行了优化、改进和并行化，较大程度提升了其效率，并提高了计算结果正确率。本文还设计了EEG非线性动力学高性能计算与分析系统，可以高速分析实际脑电数据。本文最后对睡眠脑电数据和癫痫脑电数据进行了计算，并对睡眠阶段进行了仿真预测，通过评估说明了结果的正确性。

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2EEG的特点及分析方法

1.2.1 EEG的特点

1.2.2EEG的常规分析方法简介

1.2.3非线性时间序列分析方法简介

1.3研究内容和本文组织结构

1.3.1研究内容

1.3.2本文组织结构

第二章非线性时间序列分析方法的比较

2.1引言

2.2非线性时间序列分析方法

2.2.1相空间重构

2.2.2刻画系统的几何不变量

2.3嵌入延迟计算方法选择

2.3.1嵌入延迟计算方法比较

2.3.2 C-C方法计算时间延迟

2.4嵌入维数计算方法选择

2.4.1嵌入维数计算方法比较

2.4.2 Liangyue Cao算法计算嵌入维数

2.5关联维数计算方法选择

2.5.1关联维数计算算法的选择

2.5.2 G-P算法计算关联维数

2.6小结

第三章相空间重构算法的优化改进

3.1引言

3.2 C-C方法的串行优化和改进

3.2.1 C-C方法的串行优化思路

3.2.2 C-C方法串行优化的结果

3.2.3 C-C方法的改进

3.3 C-C方法的并行化

3.3.1 C-C方法的并行化思路

3.3.2 C-C方法并行化的结果

3.4 Liangyue Cao算法的串行优化

3.4.1 Liangyue Cao算法串行优化的探索

3.4.2 Liangyue Cao算法的串行优化思路

3.4.3 Liangyue Cao算法串行优化的结果

3.5 Liangyue Cao算法的并行化

3.5.1 Liangyue Cao算法的并行化思路

3.5.2 Liangyue Cao算法并行化的结果

3.6输入数据线性变换后对重构结果的影响

3.7相空间重构算法的正确性评估

3.8小结

第四章G-P算法优化及EEG动力学高性能分析系统设计

4.1引言

4.2 G-P算法的串行优化及改进

4.2.1 G-P算法串行优化及改进的思路

4.2.2 G-P算法串行优化及改进的结果

4.3 G-P算法的并行优化

4.3.1 G-P算法的并行化思路

4.3.2 G-P算法并行化的结果

4.4输入数据线性变换对结果的影响

4.5EEG动力学高性能分析系统的总体构架

4.6EEG信号采集模块

4.6.1EEG信号采集设备

4.6.2记录电极的安放位置

4.7预处理模块

4.8非线性动力学分析模块

4.9小结

第五章实验仿真结果

5.1睡眠脑电实验

5.1.1实验数据来源

5.1.2睡眠脑电时间序列分析结果

5.1.3睡眠仿真预测

5.2癫痫脑电实验

5.2.1实验数据来源

5.2.2睁闭眼脑电时间序列分析结果

5.2.3癫痫脑电时间序列分析结果

5.3小结

第六章结论与展望

6.1论文总结

6.2工作展望

致谢

参考文献

攻读硕士学位期间发表的论文