脑信息数据分析方法研究PDF电子书下载

查看更多关于的内容

第一篇 基于视觉决策的人机交互眼动研究 3

第一章 绪论 3

1.1 研究背景 3

1.2 研究价值 4

1.3 研究现状 5

1.3.1 视觉决策的相关研究 5

1.3.2 眼动技术用于人-Web交互的研究 7

1.4 主要研究方面 11

1.4.1 课题来源 11

1.4.2 主要研究内容 11

1.4.3 研究方法 12

1.5 本篇结构 12

第二章 人机交互中视觉决策与眼动技术的研究叙述 14

2.1 智能人机交互带来的机遇——眼动技术 14

2.2 人机交互中应用与视觉决策的眼动技术 14

2.3 人机交互中视觉决策研究方向 16

2.4 本章小结 17

第三章 用户的视觉决策特征及决策的预测 18

3.1 视觉决策中的凝视偏向与瞳孔放大特征 18

3.1.1 凝视偏好现象 18

3.1.2 瞳孔放大现象 19

3.2 凝视似然度与瞳孔似然度的主要算法 19

3.2.1 整体方案 19

3.2.2 数据表示 19

3.2.3 数据采样 20

3.2.4 曲线拟合 22

3.3 眼动仪验证 23

3.3.1 实验材料与实验过程 23

3.3.2 实验仪器与配置 23

3.3.3 被试 24

3.3.4 实验结果 24

3.4 眼动模式的决策展望 27

3.5 迈达斯接触的主要解决方法 29

3.6 实验结果与讨论 30

3.7 本章小结 31

第四章 信息与决策对网页用户眼动模式的影响 33

4.1 人机交互中视觉决策模式的下一步研究方向 33

4.2 实验内容与设计 34

4.2.1 实验配置 34

4.2.2 实验设计 34

4.2.3 实验数据处理 35

4.3 实验结果 36

4.3.1 图文与任务的基本情况 36

4.3.2 问卷调查的相关结果 37

4.3.3 似然曲线的结果 37

4.4 预测表现 41

4.5 实验结果与讨论 43

4.6 本章小结 44

第五章 请求信息方式对人机交互用户视觉决策 46

5.1 信息的理性与感性请求方法 46

5.2 情感与认知 47

5.3 实验 48

5.3.1 实验目的 48

5.3.2 实验配置 48

5.3.3 实验材料评估与实验设计 49

5.3.4 实验过程 50

5.4 实验结果与讨论 50

5.4.1 诉求方式对用户喜好决策过程中眼动模式的影响 50

5.4.2 对感性与理性信息观看的个体差异 51

5.4.3 应激自测的结果 53

5.4.4 基于结果的讨论 53

5.5 电子商务信息情感适宜度的参考模型 55

5.6 本章小结 56

第六章 基于眼动模式的人机交互用户任务分类 58

6.1 EB-UM的原理与优势 58

6.2 人机交互用户的眼动模式任务分类 59

6.3 实验 60

6.3.1 实验目的 60

6.3.2 实验材料与实验配置 60

6.3.3 实验结果与讨论 60

6.4 眼动模式的人机交互用户任务分类 63

6.4.1 用户信息收集 63

6.4.2 用户浏览行为分析 63

6.4.3 甄选眼动信息 64

6.4.4 选取最优指证组合 65

6.4.5 计算偏向值 66

6.4.6 用户任务估计的分类结果及分析 68

6.5 本章小结 69

结论及展望 70

本篇总结 70

未来工作及展望 70

参考文献 72

第二篇 脑电信号的研究和诊断模型 81

第七章 绪论 81

7.1 研究背景、目的与意义 81

7.1.1 研究背景 81

7.1.2 研究目的 84

7.1.3 研究意义 84

7.2 研究现状 85

7.2.1 抑郁症脑电信号研究现状综述 85

7.2.2 非线性系统分析方法研究现状 87

7.3 课题来源及其研究内容 89

7.3.1 课题来源 89

7.3.2 研究内容 89

7.4 本篇结构 90

第八章 抑郁症脑电非线性相关理论和可行性 92

8.1 脑电的发现和发展简介 92

8.2 脑电信号非线性分析的基础和必要性 92

8.2.1 脑电信号非线性分析的神经生理基础 92

8.2.2 脑电信号非线性分析的大脑解剖基础 94

8.2.3 抑郁症脑电信号非线性分析的必要性 95

8.3 脑电信号非线性分析的基础 95

8.3.1 脑电信号非线性分析的基本原理和方法 95

8.3.2 脑电信号非线性分析的步骤和流程 100

8.4 抑郁症脑电信号非线性分析的可行性 102

8.4.1 可行性的基础 102

8.4.2 可行性的保障 103

8.5 本章小结 103

第九章 基于改进功率谱熵的抑郁症脑电信号活跃性研究 104

9.1 概述 104

9.2 基本原理 104

9.2.1 改进功率谱熵计算方法的定义 105

9.2.2 功率谱熵和信号活跃性之间相关性的仿真分析 105

9.3 基于谱熵的脑电信号分析时间序列的功率谱分割 107

9.3.1 实验数据 107

9.3.2 实验方法 107

9.3.3 实验结果与讨论 108

9.4 统计分析与假设检验 110

9.5 本章小结 111

第十章 基于状态分布熵的抑郁症脑电信号特异性研究 112

10.1 概述 112

10.2 基本原理 113

10.2.1 状态分布熵计算方法的定义 113

10.2.2 状态分布熵和脑电信号特异性之间相关性的仿真分析 114

10.3 状态分布熵在脑电信号基础上的具体分析 122

10.3.1 实验数据 122

10.3.2 实验方法 123

10.3.3 实验结果与讨论 123

10.4 统计分析与假设检验 126

10.5 本章小结 127

第十一章 基于一阶差分多尺度多值粗粒化LZ复杂度的抑郁症脑电复杂性研究 128

11.1 概述 128

11.2 基本原理 128

11.2.1 LZ复杂度算法 128

11.2.2 多值粗粒化 130

11.2.3 时间多尺度 130

11.2.4 基于一阶差分多尺度多值粗粒化LZ复杂度算法 131

11.3 在一阶差分LZ复杂性和多尺度粗粒化的基础上分析脑电信号 132

11.3.1 实验数据 132

11.3.2 实验方法 132

11.3.3 实验结果与讨论 133

11.4 本章小结 150

第十二章 基于复杂度谱的抑郁症脑电信号诊断 151

12.1 概述 151

12.2 基本的原理和基础的方法 151

12.2.1 复杂度谱的概念和定义 152

12.2.2 基于复杂度谱的脑电信号诊断模型构建 153

12.3 仿真诊断模型构建 156

12.4 本章小结 158

结论及展望 159

本篇总结 159

未来工作及展望 160

参考文献 161

第三篇 基于ACT-R解决问题的神经机制研究 170

第十三章 绪论 170

13.1 研究背景及其意义 170

13.2 国内外研究现状 172

13.2.1 关于人类问题解决的研究 172

13.2.2 关于启发式搜索的研究 173

13.2.3 关于计算认知模型的研究 175

13.2.4 课题组其他人员的相关研究 176

13.3 课题来源及主要内容 176

13.3.1 研究来源 176

13.3.2 研究内容和主要创新点 177

13.3.3 研究方法 178

13.4 本篇结构 179

第十四章 基于ACT-R的认知模型方法 180

14.1 ACT-R介绍 180

14.1.1 什么是ACT-R？ 180

14.1.2 ACT-R认知体系构架 181

14.1.3 基于ACT-R的认知建模过程 184

14.1.4 ACT-R的知识定义 184

14.1.5 ACT-R模型预测结果 185

14.2 A CT-R结合fMRI研究方法 186

14.3 理论驱动的科学研究方法 186

14.4 选择范式和任务设计的问题 187

14.5 本章小结 188

第十五章 关于问题解决认知机制的研究 189

15.1 解决问题任务 189

15.2 理论分析和认知的假设 191

15.2.1 启发规则应用机制的总体假设 191

15.2.2 启发规则应用中的3个认知过程假设 191

15.2.3 认知模块操作假设 193

15.3 实验的过程及其验证 194

15.3.1 fMRI脑成像实验及数据分析结果 194

15.3.2 ACT-R仿真实验及预测结果分析 199

15.4 讨论及其认知 208

15.5 本章小结 210

第十六章 研究与搜寻和搜索有关的问题 211

16.1 规则选择机制的研究 211

16.1.1 问题解决任务 211

16.1.2 理论分析和认知假设 212

16.1.3 fMRI脑成像实验及数据分析结果 212

16.2 规则搜索机制研究 215

16.2.1 问题解决任务 215

16.2.2 理论分析和认知假设 216

16.2.3 ACT-R仿真实验及预测结果分析 217

16.3 讨论及其认知 220

16.4 本章小结 221

第十七章 对规则和搜索引擎的应用进行比较研究 222

17.1 问题及其任务的解决 222

17.2 对规则和搜索规则的应用进行比较分析 222

17.3 fMRI脑成像实验及其实验数据的分析结果 223

17.4 ACT-R仿真实验和预测分析 227

17.5 本章小结 231

第十八章 解决这些问题的策略模块使用和认知机制合作 232

18.1 认知策略在识别问题搜索中的应用研究 232

18.1.1 问题解决任务 232

18.1.2 理论分析和认知假设 232

18.1.3 来自fMRI脑成像实验的证据 234

18.1.4 来自ACT-R仿真实验的证据 235

18.1.5 讨论 237

18.2 问题解决模块中的合作机制 237

18.2.1 问题解决任务 237

18.2.2 理论分析和认知假设 238

18.2.3 来自ACT-R仿真实验和fMRI脑成像实验的证据 239

18.2.4 相关研究 241

18.2.5 讨论 241

18.3 本章小结 242

结论及展望 243

本篇总结 243

未来工作及展望 245

参考文献 246

第四篇 学习稳定性的布尔代数核磁共振研究 255

第十九章 绪论 255

19.1 研究背景及其意义 255

19.1.1 学习与记忆的关系 256

19.1.2 信息粒度和学习的关系 256

19.1.3 研究意义 257

19.2 国内外研究现状 257

19.2.1 神经科学——物质层面 258

19.2.2 认知科学——功能层面 258

19.2.3 人工智能——应用层面 258

19.3 研究的主要内容及其方法 258

19.3.1 选择Boolean代数的合理性 259

19.3.2 学习稳定性的阶段性实验 259

19.3.3 fMRI方法 260

19.3.4 学习稳定性的认知框架 260

19.4 研究的创新性工作 261

19.4.1 Boolean规则学习、记忆的稳定性 261

19.4.2 信息粒度和学习、记忆稳定性的关系 261

19.5 本篇结构 261

第二十章 研究问题与假设 263

20.1 研究的问题 263

20.1.1 缺乏从信息论的角度探讨学习和记忆 263

20.1.2 前测对后测的影响 263

20.1.3 后测对长期测试的影响 264

20.2 研究的主要方面及其思路 264

20.3 研究的大致设想 265

20.4 研究的主要方法 265

20.5 研究的理论意义 265

20.6 本章小结 266

第二十一章 实验的设计方法 267

21.1 课题研究的依据 267

21.2 核磁共振实验设计 268

21.3 范式的实验确定 268

21.4 课题实验的大致方法 269

21.5 课题实验的程序 269

21.6 实验材料 271

21.7 本章小结 272

第二十二章 不稳定性学习在顶叶的变化 273

22.1 课题的实验目的 273

22.2 课题所用的材料和方法 273

22.2.1 被试 273

22.2.2 刺激材料 273

22.2.3 程序 274

22.3 核磁共振数据和分析 275

22.3.1 fMRI数据采集 275

22.3.2 数据分析 275

22.4 实验结果 276

22.4.1 行为结果 276

22.4.2 fMRI结果 277

22.5 实验讨论 277

22.5.1 记忆效果：从数据到信息粒 277

22.5.2 学习效果：促进信息粒的构成 280

22.6 本章小结 282

第二十三章 学习顶叶稳定和不稳定的变化 283

23.1 课题实验目的 283

23.2 核磁共振所用的材料和方法 284

23.3 核磁共振数据和分析 284

23.4 实验结果 284

23.4.1 行为结果 284

23.4.2 fMRI结果 285

23.5 实验讨论 288

23.5.1 高粒度和低粒度的记忆规则 288

23.5.2 基于高粒度和低粒度规则的计算任务 289

23.6 本章小结 290

第二十四章 学习稳定性与记忆稳定性的相对性 291

24.1 学习和记忆的稳定性分离 292

24.1.1 学习的阶段性及顶叶的变化 292

24.1.2 加工方式与阶段性 292

24.1.3 信息粒的作用 293

24.2 系统性的学习 293

24.3 稳定性的学习知识表示 293

24.4 本章小结 294

第二十五章 学习阶段性中的稳定性 295

25.1 不同时点的不同效果 295

25.2 大脑激活结果 298

25.3 大脑激活讨论 300

25.4 本章小结 301

第二十六章 稳定学习的认知结构 302

26.1 建立模型的必要条件 302

26.2 已存在的实验依据 303

26.2.1 可塑性和稳定性的相互影响 303

26.2.2 信息粒度对记忆稳定性的影响 303

26.2.3 规则提取能力对稳定性的影响 304

26.2.4 工作记忆的调控能力对学习稳定性的影响 305

26.3 模型的建立及其运用 306

26.3.1 基于信息粒聚合度的稳定性学习 306

26.3.2 基于信息粒的连通性 307

26.3.3 优化认知学习模型 308

26.4 本章小结 309

结论及展望 310

主要工作和贡献 310

现有研究的不足 311

未来工作及展望 311

参考文献 312

第五篇 脑功能网络拓扑结构和任务的功能磁共振成像影响 321

第二十七章 绪论 321

27.1 研究背景 321

27.1.1 如何认识大脑 321

27.1.2 复杂系统及脑与复杂网络交叉研究所形成的机遇和挑战 322

27.1.3 网络智能的发展给脑科学研究带来的机遇与挑战——脑信息学（BI） 322

27.1.4 功能磁共振成像技术的发展 323

27.1.5 人类脑连接组概念 324

27.2 相关研究 325

27.2.1 “小世界”网络模型和“无标度”网络模型 325

27.2.2 结构和功能脑连接网络 327

27.2.3 脑功能与结构网络之间的关系 331

27.2.4 行为状态对功能连接模式的影响 332

27.2.5 存在的问题和脑网络研究的4个挑战 333

27.3 研究内容 333

27.4 研究意义 335

27.5 本篇结构 336

第二十八章 探索自发神经活动和内在脑功能组织研究 337

28.1 引言 337

28.2 数据获取及其预处理 338

28.2.1 被试 338

28.2.2 fMRI数据采集 338

28.2.3 数据预处理 338

28.3 数据分析 339

28.3.1 定义脑功能网络 339

28.3.2 正相关和负相关两种脑功能网络 340

28.3.3 小世界、度分布和模体分析 342

28.4 实验结果 343

28.4.1 小世界特性分析 343

28.4.2 度分布 344

28.4.3 模体分布 345

28.5 实验讨论 345

28.6 本章小结 347

第二十九章 活动任务及其在静息态下脑功能组织的拓扑变化 348

29.1 引言 348

29.2 数据获取及其预处理 351

29.2.1 被试 351

29.2.2 fMRI数据采集 351

29.2.3 数据预处理 351

29.3 数据分析 351

29.3.1 大尺度脑功能网络构建 351

29.3.2 默认网络的节点定义及完备连接模式 351

29.3.3 小世界拓扑结构的信息传递效率 352

29.3.4 统计分析 353

29.4 实验结果 356

29.4.1 脑区相关系数矩阵的密度在状态间无显著性差异 356

29.4.2 不同状态间小世界拓扑结构的鲁棒性 356

29.4.3 任务前后静息态下小世界拓扑结构的稳定性 359

29.4.4 任务态下小世界拓扑结构的变化 359

29.4.5 任务驱动状态下默认网络完备连接模式的变化 359

29.4.6 任务驱动状态下默认网络节点网络动力学特性的变化 360

29.5 实验讨论 362

29.5.1 任务前后静息态下小世界拓扑结构的稳定性和鲁棒性 362

29.5.2 任务态下小世界拓扑特性的变化 362

29.5.3 任务驱动状态下默认网络完备连接模式的变化 363

29.5.4 任务驱动状态下默认网络节点的网络动力学拓扑特性的变化 364

29.5.5 尚待解决的问题 364

29.6 本章小结 365

第三十章 简单模型的脑功能网络 366

30.1 引言 366

30.2 数据获取及其预处理 367

30.2.1 被试 367

30.2.2 fMRI数据采集 367

30.2.3 数据预处理 367

30.3 脑功能网络朴素超图模型的构建 368

30.3.1 朴素超图模型理论基础 368

30.3.2 基于脑功能网络图模型构建一个朴素的超图模型 368

30.4 脑功能网络超图模型特征向量中心度及枢纽分布 369

30.5 实验结果 369

30.5.1 中枢节点 369

30.5.2 中枢超边 370

30.6 实验讨论 372

30.7 本章小结 372

第三十一章 大规模视觉感知在大脑内部网络的拓扑结构 373

31.1 引言 373

31.2 数据获取及其预处理 374

31.2.1 被试 374

31.2.2 fMRI数据采集 374

31.2.3 数据预处理 375

31.3 3个状态下脑功能网络超图模型的构建 375

31.4 脑功能网络加权超图模型的特征向量和分布中心 375

31.5 实验结果 376

31.5.1 被动视觉刺激正负激活结果 376

31.5.2 三个状态的中枢节点分布 377

31.5.3 三个状态的中枢超边分布 378

31.6 实验讨论 380

31.6.1 3个核心网络存在性的特征向量中心度验证 380

31.6.2 默认网络对于视觉感知信号输入的任务前准备效应 380

31.6.3 中央控制网络、突显网络的作用及与默认网络的关系 381

31.7 本章小结 382

结论及展望 383

主要工作和贡献 383

未来工作及展望 384

参考文献 386

查看更多关于的内容