基于EEG的音乐舒缓紧张情绪的研究

将音乐、脑电波(Electroencephalogram,EEG)与情绪治疗三者相结合,让处于紧张情绪下的人聆听不同类型音乐,观察在不同音乐作用前后被测者EEG波形能量变化,以此分析出情绪刺激下左右脑区对不同类型音乐的敏感程度;利用快速傅里叶变换(Fast Fourier Transform,FFT)加窗函数实现对脑电信号α、β波段的特征提取,由对应节律的功率谱的对比发现,音乐舒缓后α波主要占用频宽无明显改变,β波主要占用频宽变大;最后,利用Hjorth参数进行时频分析,检测时间序列的信号活动,从而验证舒缓的音乐有利于缓解紧张情绪,并且左脑对节奏欢快的音乐更敏感,右脑对忧伤的音乐更敏感。在此研究的基础上提出,未来进行音乐治疗时,针对不同情绪,选择不同音乐的融合比例,会达到更好的治疗效果。

绿色LED光环境对大脑集中力影响的研究

在LED照明与脑电波(Electroencephalogram,EEG)结合的领域中,通过进行绿色LED光环境下和普通LED光环境下的对比试验,测量学生自习期间EEG的变化情况;采用独立分量分析(independent component analysis,ICA)的滤波方法,对EEG信号进行预处理后,比对波形变化,分析出绿色LED光环境下累积对大脑集中力的影响,最后利用辨别力d作为指标验证绿色LED光环境会缩短人的大脑集中力时间,容易使人产生疲劳的结论。因此,在实验的基础上提出,实际生活中应尽量避免在脑力工作量集中的地方采用绿光照明。

基于Mallat算法脑电信号处理的新方法

在脑电信号特征提取算法中,常用的是小波包分解和小波分解。“小波包分解”会把信号的高频和低频完全分解。在此过程中,无关信号频率也会被分解,算法复杂度被迫提升。因此,引入只对低频信号进行分解的“小波分解”。假设所需信号中包含高频信号,经小波分解后,得到的信号会以丢失高频信息为代价,换取算法在复杂度上的优势。为了解决传统的小波函数利用Mallat算法进行分解、重构的复杂性,在Mallat算法之上,提出了“半小波包”的概念,形成将小波分解与小波包分解相结合的“半小波包分解”算法,解决了小波分解只对低频信号有效以及利用Mallat算法实现的小波包分解的冗余问题。首次利用半小波包和卷积过程改进的算法对DEAP数据库中的脑电信号进行分解,在保证准确度的基础上,达到了分解信号高速率、分解算法低复杂度的效果。