基于深度学习的自闭症谱系障碍fMRI数据分类研究

与健康儿童对照相比，自闭症谱系障碍（ASD）患者的脑结构和功能存在显著异常，因此文中采用脑影像的方法实现ASD的辅助诊断。由于基于传统的脑图谱构建脑网络节点依赖于人为的先验知识和假设，因此将由受试者的数据通过数据驱动的方法即独立成分分析（ICA）进行全脑独立成分（ICs）分析，并将提取的ICs作为感兴趣区域（ROI）提取时间序列，随后用计算得到的相关性矩阵构建脑网络并通过Node2vec方法将脑网络的节点向量化以生成节点特征，最后通过图卷积网络（GCN）刻画脑网络连接水平状态，并通过多层感知机（MLP）实现对ASD的识别。所用方法 ICA+GCN在79名ASD患者和105名典型对照组中取得了86.1%的分类精度。综上，文中所用方法有望用于ASD辅助诊断。     

基于fNIRS的恐惧情绪分级研究

功能性近红外光谱技术（fNIRS）能够实现对恐惧情绪的分级。文中设计情绪诱发范式，并对恐惧程度进行分级，将恐惧水平分为三级（无恐惧、弱恐惧和强恐惧）。其次，采集20位受试者在三种情绪诱发视频下的fNIRS实验数据，采用支持向量机（SVM）、K近邻算法（KNN）和随机森林（RF）等三种算法作为分类器，提取fNIRS领域常用统计学特征和熵特征进行比较研究。结果表明，常用统计学特征最高准确率达到84%，而通过集合经验模态分解（EEMD）分解的模糊熵（FuEn）特征最终获得的准确率高达93.98%。研究结果表明，通过EEMD分解的FuEn是一种相较于常用统计学特征更加优秀的恐惧情绪分级特征，可为后续其他情绪的分级奠定基础。     

数字音频工作站网络系统在广播播控中心的应用

本文从数字音频工作站的定义,特点,阐述了数字音频工作站网络系统在广播播控中心的应用,对工作站的选配提出了建议。     

基于正则化共空间模式的运动想象脑电信号解码

运动想象-脑机接口（MI-BCI）是一种能对使用者的运动意图进行解码，无需任何外部刺激就能产生指令，可以为无法自主运动患者提供一种额外交互控制通道，辅助或改善其生活方式。公共空间模式（CSP）是MI-BCI的EEG信号解码的一种有效方法，但是还存在一些不足。CSP对滤波器频带、时间窗口和通道的选择非常敏感，因此文中提出了新的正则化CSP(RCSP)方法对传统的CSP进行优化。通过在公共BCI数据集上进行验证，得到了82.92%的分类准确率，相比经典的CSP算法准确率提升6%。研究结果表明RCSP是一种更加有效的MI-EEG信号解码方法，可以为后续MI-EEG在线系统的研究提供新的思路。     

基于深度学习的运动想象脑机接口研究综述

近年来，随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展，对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力，在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征，因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型，还探讨了它们在BCI中集成其他方法的实际运用。