三維重建,三維重構(gòu)

本科畢業(yè)論文（設(shè)計(jì)）調(diào)研報告題目基于二維圖形的三維構(gòu)造學(xué)生姓名張鵬宇指導(dǎo)教師張昊學(xué)院信息科學(xué)與工程學(xué)院專業(yè)班級電子信息工程完成時間2016年1月本科生院制--#-為了確保采集工作的順利進(jìn)行，以及保證所采集數(shù)據(jù)的科學(xué)性。在進(jìn)行腦電波數(shù)據(jù)采集前，必須做好以下準(zhǔn)備工作：（1）根據(jù)上面2.1所說的情緒誘發(fā)方法，指導(dǎo)被試驗(yàn)者按照指定的呼吸頻率進(jìn)行呼吸。（2）邀請數(shù)名志愿者參與腦電波采集，并采集前保持頭皮清潔衛(wèi)生，以免因外界因素影響到采集結(jié)果。（3）采集腦電數(shù)據(jù)的人員必須熟悉機(jī)器操作，確保腦電波采集順利進(jìn)行。3.2數(shù)據(jù)采集及預(yù)處理數(shù)據(jù)的采集和預(yù)處理過程是整個設(shè)計(jì)最關(guān)鍵的步驟，若有差池，實(shí)驗(yàn)必須重做。因此，在數(shù)據(jù)采集和預(yù)處理過程中要注意：（1）在采集數(shù)據(jù)前，被測試者保持平靜。（2）被測試者佩戴好測試儀器后，進(jìn)行試驗(yàn)，被測試者在相應(yīng)的時間上表現(xiàn)出不同狀態(tài)。（3）數(shù)據(jù)采集和預(yù)處理的辦法依照2.2進(jìn)行。（4）每個被測試者都要進(jìn)行多組數(shù)據(jù)的測試，且相鄰兩次測試之間要相隔30分鐘以上，以保證下一次測試數(shù)據(jù)前，被測試者保持平靜。3.4數(shù)據(jù)分析程序編寫本設(shè)計(jì)采用的軟件工具為MATLAB2010b，程序可以分為以下模塊：數(shù)據(jù)導(dǎo)入和預(yù)處理、使用非參數(shù)譜估計(jì)法求出功率譜、計(jì)算平均功率譜密度，其中，非參數(shù)譜估計(jì)法又分為兩種方法進(jìn)行，具體流程如下圖4所示：圖4數(shù)據(jù)分析程序流程圖3.3數(shù)據(jù)分析本設(shè)計(jì)采用非參數(shù)譜估計(jì)法（詳見2.3）對實(shí)驗(yàn)所得的腦電波數(shù)據(jù)進(jìn)行分析，采用的軟件工具為MATLAB2010b。使用非參數(shù)譜估計(jì)法分析出不同狀態(tài)（興奮或平靜）下，不同頻帶的功率譜計(jì)算出被測試者的腦電功率譜密度并用腦電波不同頻帶（6波（0.1—4Hz）、0波（4—8Hz）、a波（8—13Hz）、0波（13—30Hz）和丫波（30—100Hz））的平均功率譜密度的比值來表現(xiàn)出被測試者的狀態(tài)。每個頻帶平均功率譜密度如式8所示（以a波和B波為例），不同頻帶平均功率譜密度的比值如式9所示：（式8）（式9）其中，G（a）為a波單個頻帶的平均功率譜密度，G（B）為0波單個頻帶的平均功率譜密度。為a波頻帶的上限，為a波頻帶的下限。3.4得出結(jié)論比較不同狀態(tài)下不同波段之間的平均功率譜比值，從數(shù)據(jù)分析中得到結(jié)論，即腦電波在不同情緒下的區(qū)別，并撰寫畢業(yè)論文。第四章目前存在問題雖然近年來基于情緒的腦電波分析研究已經(jīng)有了比較大的進(jìn)展，但多數(shù)研究還處在實(shí)驗(yàn)室階段，離實(shí)際應(yīng)用尚有相當(dāng)距離，主要存在下列問題有待解決。4.1腦電信號的采集傳統(tǒng)腦電采集方式通常采用濕電極技術(shù)，被試者在進(jìn)行腦電采集前，必須涂抹導(dǎo)電介質(zhì)，以克服角質(zhì)層對腦電信號采集的影響。該過程需要在外人輔助下進(jìn)行，時間花費(fèi)較長，而且導(dǎo)電介質(zhì)的性能也會隨時間變化。如果采集時間過長，導(dǎo)電介質(zhì)的導(dǎo)電性會下降甚至消失，使采集到的腦電信號出現(xiàn)失真，從而影響腦電信號的采集質(zhì)量。目前，一種新型的干電極腦電采集技術(shù)已經(jīng)出現(xiàn)。干電極腦電采集技術(shù)可以在一定程度上解決上述問題。但是，目前干電極腦電采集技術(shù)對在毛發(fā)區(qū)域采集到的腦電信號還不是很穩(wěn)定，需要進(jìn)一步改進(jìn)。另外，由于腦電信號十分微弱，因此在采集過程中，必須通過高放大倍數(shù)的放大器對腦電信號進(jìn)行信號放大。目前商業(yè)化的腦電信號放大器的體積普遍較大，不利于便攜式使用。最近出現(xiàn)了芯片化的腦電信號放大器，可以有效解決放大器體積過大問題，但是成本仍然較高，離實(shí)用化還有一定的距離。4.2真實(shí)環(huán)境對腦電信號的影響由于腦電信號在采集過程中十分容易受到外部環(huán)境的干擾，現(xiàn)有的偽跡去除方法往往只針對一種噪聲或幾種噪聲有效。而在實(shí)際應(yīng)用中，由于現(xiàn)實(shí)環(huán)境十分復(fù)雜，干擾源也非常多，因此現(xiàn)有的偽跡去除方法很難有效地去除腦電信號中的偽跡。另外，在實(shí)際應(yīng)用中，基于腦電的情緒識別要求在線處理，這不但要求偽跡去除算法在偽跡去除方面具有較高的有效性，對于偽跡去除算法的時間復(fù)雜度也提出了較高的要求，這就需要開發(fā)出更加有效的在線偽跡去除方法。4.3個體差異性與共同模式由于腦電信號在信號表征的過程中具有一定的個體差異性，且目前的研究還基本處在實(shí)驗(yàn)室階段，主要通過刺激材料誘發(fā)被試的相應(yīng)情緒狀態(tài)，而不同被試對于同一刺激材料的反應(yīng)也會存在一定的差異。如何從這種差異之間，尋找穩(wěn)定的情緒與腦電信號特征的對應(yīng)關(guān)系，從而消除目前研究中的個體差異性，是目前基于腦電的情緒識別亟需解決的一個具有挑戰(zhàn)性的問題。結(jié)論剛剛接到畢業(yè)設(shè)計(jì)任務(wù)書時，我覺得一片茫然，因?yàn)轭}目中的內(nèi)容和涉及的方法都沒有接觸過的，對于這次設(shè)計(jì)的總體流程都不熟悉。后來，經(jīng)過在圖書館查閱資料和文獻(xiàn)后，我對于腦電波的基本情況、數(shù)據(jù)的采集和處理分析都有了初步的認(rèn)識，后來經(jīng)過老師和學(xué)長學(xué)姐們的耐心指導(dǎo)，我了解了腦電波與情緒的關(guān)系和詳細(xì)情況。但這只是一些皮毛，為了更深入地了解，我認(rèn)真地閱讀相關(guān)的文獻(xiàn)，把專業(yè)名詞、方法的原理等弄懂。本設(shè)計(jì)通過設(shè)計(jì)腦電波采集方案并采集數(shù)據(jù)，采用非參數(shù)譜估計(jì)法在MATLAB軟件上對數(shù)據(jù)分析，研究腦電在不同的情緒下的區(qū)別。經(jīng)過調(diào)研后，我基本了解了情緒與腦電波的生理關(guān)系，以及腦電數(shù)據(jù)采集過程，熟悉了非參數(shù)譜估計(jì)法的算法，對于本設(shè)計(jì)的大體思路：前期準(zhǔn)備——采集數(shù)據(jù)——數(shù)據(jù)分析——得出結(jié)論，有了初步的想法，并對于數(shù)據(jù)采集方案有更深的認(rèn)識。目前的問題主要是對采集數(shù)據(jù)儀器的操作不熟悉，今后得要多請教同學(xué)和老師，努力學(xué)習(xí)操作過程。另外，對于使用MATLAB軟件進(jìn)行數(shù)據(jù)分析，還需查找與非參數(shù)譜估計(jì)法的相關(guān)資料。盡管在本科期間學(xué)習(xí)的知識只是皮毛，但我仍會邊學(xué)邊思考，在設(shè)計(jì)的過程中不斷地增長知識，并順利地完成畢業(yè)設(shè)計(jì)。參考文獻(xiàn)李穎潔,EEG腦電信號分析方法及其應(yīng)用,[M],科學(xué)出版社,2009年,4-6.謝康，情緒音樂的腦電識別算法,[D],成都,電子科技大學(xué),2013年,1-47.聶聃,王曉韡，段若男,呂寶糧，基于腦電的情緒識別研究綜述，[J]?中國生物醫(yī)學(xué)工程學(xué)報,2012年8月,31卷4期:596—606.顏松,魏建勤,汽車駕駛員瞌睡狀態(tài)腦電波特征提取的研究,[J].中國生物醫(yī)學(xué)工程學(xué)報,2005年2月,24卷1期,110-114.張海軍，王浩川.多導(dǎo)聯(lián)EEG信號分類識別研究[J].計(jì)算機(jī)工程與應(yīng)用，2008,24.ParkHJ,OhJS,Automatedsleepstagescoringusinghybridrule-andcase-basedreasoning.ComputBiomedRes.2000,33(5):330-349.PardeyJ,RobertsS,TarassenkoL,AreviewofparametricmodellingtechniquesforEEGanalysis.MedEngPhys,1996,18(1):2-11.[8]BozdganH.ModelselectionandAkaile'sinformationcriterion(AIC)：thegeneraltheoryanditsanalyticalextensions.Psychometrika,1987,52(3):345-370.[9]LutzenbergerW.DimensionalanalysisofthehumanEEGandintelligence.NeueosciLett,1922,143:10-14.[10]TtilTM,SaletuB,DavisS.EEGfindinginchronicschizophrenicsbasedondigital.BiolPsychiat,1972,5(1):1-13.[11]LeiM,WangZZ,FengZJ.DetectingnonlinearityofactionsurfaceEMGsignal.PhysLettA2011.290(6):297-303.[12]A.Gerrards-Hesse,K.Spies,F.W.Hesse.Experimentalinductionsofemotionalstatesandtheireffectiveness:areview[J].Britishjournalofpsychology,1994,85(1):55-78.JamesW.Whatisanemotion[J].Mind,1884,9(34):188—205.LangeCG.Theemotions:apsychophysiologicalstudy[J].Theemotions,1885,33—90.CannonW.TheJames-Langetheoryofemotions:acriticalexaminationandanalternativetheory[J].AmericanJournalofPsychology,1927,39:106—124.JamesW,PapezMD.Aproposedmechanismofemotion[J].ArchNeuralPsychiatry,1937,38(4):725—743.PaulD,MacleanMD.Psychosomaticdiseaseandthe“VisceralBrain”-recentdevelopmentsbearingonthePapeztheoryofemotion[J].PsychosomaticMedicine,1949,11:338-353.[18]KotheCA,MakeigS.EstimationoftaskworkloadfromEEGdata:newandcurrenttoolsandperspectives[C]//ProceedingsofInternationalConferenceoftheIEEEEngineeringinmedicineandBiologySocit.Boston:IEEE,2011:6547—6552.胡廣書?數(shù)字信號處理[M].北京：清華大學(xué)出版社,