SD大鼠光刺激视觉诱发电位提取研究

doi:10.3778/j.issn.1002-8331.2010.15.039

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (15): 132-134.DOI: 10.3778/j.issn.1002-8331.2010.15.039

• 数据库、信号与信息处理 • 上一篇下一篇

SD大鼠光刺激视觉诱发电位提取研究

师黎，崔海波

郑州大学电气工程学院，郑州 450001

收稿日期:2008-11-11 修回日期:2009-01-19 出版日期:2010-05-21 发布日期:2010-05-21
通讯作者: 师黎

Study on extracting flash visual evoked potential of SD rats

SHI Li，CUI Hai-bo

School of Electric Engineering，Zhengzhou University，Zhengzhou 450001，China

Received:2008-11-11 Revised:2009-01-19 Online:2010-05-21 Published:2010-05-21
Contact: SHI Li

摘要/Abstract

摘要： 在生物神经学领域，从脑电信号中提取出诱发电位对动物视觉图像恢复的研究具有重要作用。以Sprague-Dawley（SD）大鼠的脑电信号为研究对象，采用均值法和改进的Mallat多分辨率小波快速变换算法相结合的方法对SD大鼠脑电信号进行提取处理，得到了光刺激视觉诱发电位的主要特征。通过和SD大鼠视觉诱发脑电信号的拟合度仿真表明算法所得到的大鼠光刺激视觉诱发电位主要特征可以用于SD大鼠视觉图像恢复的处理。

关键词: 小波变换, Mallat算法, 视觉诱发电位, 多分辨率分析

Abstract: In the field of neurobiology，extraction visual evoked potential information from electroencephalogram（EEG） signals plays an important role in visual image restoration of animals.By taking the EEG signal of SD rats as the research objects，the method which combined with the averaging and the fast wavelet transforms based on improved Mallat multi-resolution analysis algorithm is used to complete extracting the VEPs from EEG signals of SD rats.Fitting degree is given by comparing with extracted characteristics and VEP signal of SD rats.The result of it shows that the VEPs signals given by this paper’s algorithm can be used in the study of visual image restoration of SD rats.

Key words: wavelet transform, Mallat algorithm, Visual Evoked Potential, multi-resolution analysis

中图分类号:

师黎，崔海波. SD大鼠光刺激视觉诱发电位提取研究[J]. 计算机工程与应用, 2010, 46(15): 132-134.

SHI Li，CUI Hai-bo. Study on extracting flash visual evoked potential of SD rats[J]. Computer Engineering and Applications, 2010, 46(15): 132-134.

[1]	乔敏，张德雨，刘思宇，闫天翼，相洁. 新颖的稳态视觉诱发电位脑机接口系统[J]. 计算机工程与应用, 2021, 57(8): 153-159.
[2]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[3]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[4]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[5]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[6]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[7]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[8]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[9]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[10]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[11]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[12]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[13]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[14]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[15]	张艺超，袁贞明，孙晓燕. 基于心冲击信号的睡姿识别[J]. 计算机工程与应用, 2018, 54(17): 135-140.

SD大鼠光刺激视觉诱发电位提取研究

Study on extracting flash visual evoked potential of SD rats

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics