基于超图卷积和半监督的癫痫检测预测系统

这是一篇关于癫痫,脑电,图卷积,半监督学习的论文, 主要内容为癫痫作为一种会严重影响患者生活的神经疾病,通过脑电信号(Electroencephalograph,EEG)对其进行分析和监测具有重要意义。近年来,使用脑电信号结合机器学习方法的癫痫分析研究得到了快速发展。然而,以往的癫痫分析主干网络没有使用脑电信号的空间信息,或者在学习EEG图结构信息方面存在能力不足的问题,这使得它们缺乏对EEG中复杂脑内连接关系的表征能力。同时,在癫痫分析中的癫痫检测和预测任务中,现阶段的工作大都严重依赖医生花费大量时间标注获得的有标签数据,未有效利用大量且易获得的无标签脑电数据。本文基于已有研究,提出了一种基于超图卷积和半监督癫痫检测和预测算法,同时以该算法为核心构建了一个癫痫辅助检测预测系统。第一,本文提出了一种基于超图卷积的癫痫分析主干网络。算法通过构建超图卷积,描述EEG通道之间的复杂连接关系,通过设计局部保护模块,保护模型信息流中的低维分类特征,避免图卷积中的过平滑问题,从而获得更高的检测性能。第二,在上述超图卷积算法的基础上,本文提出了一种可有效利用无标签数据的半监督癫痫监测算法。算法通过学生-教师孪生网络互相学习,为输入的无标签数据构建训练目标,通过时频空域的多种数据增强方法结合一致性损失提升模型的泛化能力。第三,本文通过多种实验证明了上述两个算法的性能。基于超图卷积的癫痫分析算法在癫痫检测、预测和分类三个任务,四个数据集上,进行了多个实验场景下的验证。基于超图卷积的半监督癫痫监测算法则在Kaggle与CHB-MIT数据集上分别进行了跨受试者癫痫检测和预测实验。通过对比实验和文献分析,证明了论文提出算法有良好的癫痫检测预测能力。同时,基于提出的模型,本文设计并实现了癫痫辅助检测预测系统,系统基于Spring Boot和Vue.js实现了服务的后端和前端,通过对脑电文件进行模型分析和数据可视化展示,辅助医生对癫痫进行诊断。

基于深度神经网络的情绪识别研究

这是一篇关于情绪识别,文本,脑电,多模态融合,深度学习的论文, 主要内容为情绪识别研究对于理解掌握人体的情绪状态至关重要,目前已在人机交互、远程教育以及医疗保健等领域得到广泛应用。随着情绪相关信号如文本、脑电等采集设备的发展,如何有效提取信号的情绪特征,提高情绪识别准确率是亟须解决的研究问题。本文提出基于文本、脑电和多模态融合的情绪识别研究模型,改进不同场景下的情绪识别方法模型,设计实现基于情绪监测的高血压管理系统。论文工作内容如下:1.针对文本情绪识别词嵌入缺乏句子上下文信息以及模型忽略子句特征等问题,提出基于子句特征的实体属性依赖情感分析方法,通过子句分割和ELMo词嵌入模型实现文本数据预处理,利用Bi LSTM模型结合实体和子句注意力机制实现句子特征提取,采用Softmax层实现句子目标实体情感分类。该模型通过Sem Eval2014 task4数据集验证其有效性,针对Laptop和Resaurant的分类精度分别达74.32%和79.73%。2.针对脑电情绪识别电极相邻通道空间特征丢失问题,提出基于时空核心块的卷积神经网络模型,运用卷积神经网络在特征提取过程中引入时空核心块,同时考虑数据时间维度和电极间空间特征,将时空特征与全连接层连接实现脑电信号的情绪分类。该模型通过DEAP数据集验证有效性,针对Arousal和Valence的分类精度分别达87.56%和88.61%。3.针对多模态融合情绪识别忽略情绪个体表达特异性、不同模态特征融合困难等问题,提出基于双峰深度自动编码器的多模态情绪识别模型,融合脑电、肌电、眼电、皮肤传导率等生理信号和人口统计学的文本数据,分别提取信号的深层抽象特征和统计学特征,整合人口统计学特征输入双峰深度自动编码器实现多模态融合特征提取,最终采用支持向量机实现人体情绪分类。该模型通过DEAP数据集验证有效性,针对Arousal和Valence的分类精度分别达90.21%和91.82%,四分类分类精度达88.20%。4.设计并实现基于情绪监测的高血压管理系统,使用My SQL数据库,基于Spring Boot、Mybatis等框架研发,系统具备高血压患者的数据采集、数据展示、情绪识别、情绪干预、患者管理、统计分析以及系统管理等功能模块,实现高血压患者数据风险实时监测以及情绪管理,可以有效降低患者高血压发病风险。

乒乓球选手击球前“球-拍”的运动协调及脑电表征研究

这是一篇关于乒乓球,运动协调,脑电,偏最小二乘法回归的论文, 主要内容为研究目的:乒乓球击球是一个复杂的过程,选手必须在极短的时间内分析来球特征,控制肢体挥拍击球,并与来球建立良好的协调关系。为了研究乒乓球选手击球前,大脑是如何控制肢体操控球拍,建立起与乒乓球之间良好协调关系,并将球击打至预定区域的。本文设计了目标导向的乒乓球击球实验,通过高速摄像机、红外光点高速运动捕捉系统获取乒乓球、球拍的运动学数据,量化击球前“球-拍”的运动协调特征,采用脑电技术来记录和分析选手击球前脑电波活动,进而揭示乒乓球选手击球前“球-拍”的运动协调模式与脑电特征之间的关系。研究方法:本研究纳入了19名有3年以上训练经历的乒乓球选手,设计了目标导向的乒乓球击球实验。实验时,发球机连续发50个球,选手需使用正手攻球技术连续10次将来球击至目标区域,后续只分析这10次的数据。在实验期间,同步记录选手的脑电信号数据以及乒乓球、球拍的运动学数据。利用Eeglab和Matlab软件对脑电信号数据进行处理,通过艾里尔运动解析软件(APAS)解析乒乓球、球拍的运动学数据,并使用连续相对相位法(CRP)量化“球-拍”的运动协调模式。根据选手击球前乒乓球运动轨迹,将脑电数据和运动学数据划分为3个阶段进行研究,这3个阶段分别是:阶段1(发球机发球到球过球网)、阶段2(球过网到接触球台)、阶段3(球接触球台到接触球拍)。后续,使用SPSS 26中的单因素方差分析来比较乒乓球选手击球前各阶段“球-拍”相对相位的差异;对脑电波(Theta、Alpha、Beta、Gamma)功率进行了3(阶段:阶段1、阶段2、阶段3)×4(脑区:额叶区、运动区、顶叶区、枕叶区)的两因素重复测量方差分析;使用SPSSAU数据分析平台中的偏最小二乘法回归(PLSR)分析选手击球前脑电波与“球-拍”的相对相位之间的关系。研究结果:(1)乒乓球选手击球前,阶段1“球-拍”的相对相位显著大于阶段2和阶段3,阶段2与阶段3之间无显著性差异,但阶段3后期相对相位呈现出明显的增加趋势。(2)乒乓球选手击球前,Theta波的振荡不明显,呈现出缓慢的下降趋势。但枕叶区的Theta波较为活跃,从发球开始出现明显的上升,在阶段2达到峰值,随后又出现明显的下降。(3)乒乓球选手击球前Beta波的功率,阶段主效应显著,在球过网时刻附近功率降到最低,而从球过网到击球,Beta波功率显著增加。(4)乒乓球选手击球前,4个脑区的Gamma波变化相似,顶叶区和额叶区的振荡较其他区域更加明显。在顶叶区,阶段1的Gamma功率显著小于阶段2和阶段3;在额叶区,阶段1的Gamma功率显著小于阶段3。(5)击球前,3个阶段“球-拍”的相对相位分别与顶叶区、枕叶区和运动区Gamma波呈显著正相关。(6)阶段2(球过网-球接触球台)“球-拍”的相对相位与Alpha波与呈显著负相关,但在阶段3(球触球台-球触球拍)转变为显著正相关。(7)阶段2(球过网-球接触球台)“球-拍”相对相位与Theta波呈显著负相关。研究结论:(1)乒乓球选手击球前“球-拍”运动协调模式是在不断变化的,从发球机发球到乒乓球接触球台反弹,“球-拍”的运动协调模式逐渐趋于同相协调,而随着击球点的临近迅速变为异相协调,这可能意味着乒乓球选手越是接近击球时刻越需要更强的神经肌肉控制能力。(2)乒乓球选手击球前Theta波的振荡不明显,呈现出缓慢的下降趋势,除Theta波外,其余脑电波振荡模式基本相似,即发球到球过网这一阶段功率下降,而后,直至球接触球拍脑电功率不断增加。(3)乒乓球选手击球前“球-拍”的运动协调模式与脑电波存在关联,选手通过顶叶区、枕叶区和运动区的脑电活动控制“球-拍”的运动协调模式。

基于Kubernetes技术的脑信息云原生计算调度系统研发

这是一篇关于脑电,云脑,容器化技术,性能优化,Kubernetes,计算调度的论文, 主要内容为随着脑科学研究的持续深入,全球范围内多领域交叉联合研究模式成为新趋势。“大数据”和“云计算”为大规模脑科学研究提供了新的思路与工具,脑科学也逐渐迈向云信息新时代。面对海量的多模脑信息数据,传统的基于个人电脑或工作站的普通计算资源已不能满足大规模的科学计算需求,亟需利用高性能计算集群进行大规模计算分析。但是,由于领域与经验差异,高性能计算资源获取、使用和技术障碍等问题已成为阻碍科研人员进行大规模科学计算的拦路虎。此外,诸如脑电各式各样的数据格式,混乱的数据文件组织以及标准化处理步骤的缺乏等问题,也极大地降低了大规模数据共享、分析的效率以及分析结果的可靠性与可重复性。因此,本文利用先进的容器技术和Kubernetes容器编排引擎,构建了标准化的脑电分析工具镜像,为云端调度建立基础;设计研发了一套智能化的云原生计算调度系统以实现自动调度,缓解了高并发场景下单服务器的压力,充分利用高性能服务器集群资源;将该云原生计算调度系统整合至We Brain云原生脑信息平台(https://webrain.uestc.edu.cn)。本文主要研究工作如下:利用We Brain云端脑信息平台提供的标准化的脑电分析工作流,结合容器技术,构建标准化的脑电分析工具镜像。以脑电预处理镜像为例测试兼容性,结果表明,脑电分析工具镜像可以适配不同的X86芯片指令集。同时,利用分析工作流的不同版本(脚本与镜像)对数据集进行多次计算,验证了分析结果的可靠性与可重复性(类内相关系数≈1)。针对容器化后的脑电分析工具镜像性能不佳的问题,还分别从CPU、内存、I/O等方面进行分析,测试性能瓶颈,以针对性地对代码与算法进行优化。实验结果表明,经过优化后的脑电分析工具镜像运行效率提高了约400%,同时减少了4倍碳排放量(耗电量折算),实现了环境友好和可持续的目标。基于Kubernetes容器编排技术设计并研发了一套脑信息计算调度系统,解决了高性能服务器集群中容器全局调度和管理的难题,并为Kubernetes集群安装了监控系统与镜像管理系统。实验测试结果表明,基于Kubernetes的计算调度系统能够充分利用服务器集群资源,对用户提交的任务进行调度并完成运算任务,适用于大规模、高并发计算的使用场景。最后,将研发的基于Kubernetes的脑信息计算调度系统整合至We Brain云端脑信息平台,实现为脑科学研究人员提供高性能、可扩展的计算资源和标准化、可靠的脑电分析工具,助力脑科学研究。

乒乓球选手击球前“球-拍”的运动协调及脑电表征研究

这是一篇关于乒乓球,运动协调,脑电,偏最小二乘法回归的论文, 主要内容为研究目的:乒乓球击球是一个复杂的过程,选手必须在极短的时间内分析来球特征,控制肢体挥拍击球,并与来球建立良好的协调关系。为了研究乒乓球选手击球前,大脑是如何控制肢体操控球拍,建立起与乒乓球之间良好协调关系,并将球击打至预定区域的。本文设计了目标导向的乒乓球击球实验,通过高速摄像机、红外光点高速运动捕捉系统获取乒乓球、球拍的运动学数据,量化击球前“球-拍”的运动协调特征,采用脑电技术来记录和分析选手击球前脑电波活动,进而揭示乒乓球选手击球前“球-拍”的运动协调模式与脑电特征之间的关系。研究方法:本研究纳入了19名有3年以上训练经历的乒乓球选手,设计了目标导向的乒乓球击球实验。实验时,发球机连续发50个球,选手需使用正手攻球技术连续10次将来球击至目标区域,后续只分析这10次的数据。在实验期间,同步记录选手的脑电信号数据以及乒乓球、球拍的运动学数据。利用Eeglab和Matlab软件对脑电信号数据进行处理,通过艾里尔运动解析软件(APAS)解析乒乓球、球拍的运动学数据,并使用连续相对相位法(CRP)量化“球-拍”的运动协调模式。根据选手击球前乒乓球运动轨迹,将脑电数据和运动学数据划分为3个阶段进行研究,这3个阶段分别是:阶段1(发球机发球到球过球网)、阶段2(球过网到接触球台)、阶段3(球接触球台到接触球拍)。后续,使用SPSS 26中的单因素方差分析来比较乒乓球选手击球前各阶段“球-拍”相对相位的差异;对脑电波(Theta、Alpha、Beta、Gamma)功率进行了3(阶段:阶段1、阶段2、阶段3)×4(脑区:额叶区、运动区、顶叶区、枕叶区)的两因素重复测量方差分析;使用SPSSAU数据分析平台中的偏最小二乘法回归(PLSR)分析选手击球前脑电波与“球-拍”的相对相位之间的关系。研究结果:(1)乒乓球选手击球前,阶段1“球-拍”的相对相位显著大于阶段2和阶段3,阶段2与阶段3之间无显著性差异,但阶段3后期相对相位呈现出明显的增加趋势。(2)乒乓球选手击球前,Theta波的振荡不明显,呈现出缓慢的下降趋势。但枕叶区的Theta波较为活跃,从发球开始出现明显的上升,在阶段2达到峰值,随后又出现明显的下降。(3)乒乓球选手击球前Beta波的功率,阶段主效应显著,在球过网时刻附近功率降到最低,而从球过网到击球,Beta波功率显著增加。(4)乒乓球选手击球前,4个脑区的Gamma波变化相似,顶叶区和额叶区的振荡较其他区域更加明显。在顶叶区,阶段1的Gamma功率显著小于阶段2和阶段3;在额叶区,阶段1的Gamma功率显著小于阶段3。(5)击球前,3个阶段“球-拍”的相对相位分别与顶叶区、枕叶区和运动区Gamma波呈显著正相关。(6)阶段2(球过网-球接触球台)“球-拍”的相对相位与Alpha波与呈显著负相关,但在阶段3(球触球台-球触球拍)转变为显著正相关。(7)阶段2(球过网-球接触球台)“球-拍”相对相位与Theta波呈显著负相关。研究结论:(1)乒乓球选手击球前“球-拍”运动协调模式是在不断变化的,从发球机发球到乒乓球接触球台反弹,“球-拍”的运动协调模式逐渐趋于同相协调,而随着击球点的临近迅速变为异相协调,这可能意味着乒乓球选手越是接近击球时刻越需要更强的神经肌肉控制能力。(2)乒乓球选手击球前Theta波的振荡不明显,呈现出缓慢的下降趋势,除Theta波外,其余脑电波振荡模式基本相似,即发球到球过网这一阶段功率下降,而后,直至球接触球拍脑电功率不断增加。(3)乒乓球选手击球前“球-拍”的运动协调模式与脑电波存在关联,选手通过顶叶区、枕叶区和运动区的脑电活动控制“球-拍”的运动协调模式。

基于Kubernetes技术的脑信息云原生计算调度系统研发

这是一篇关于脑电,云脑,容器化技术,性能优化,Kubernetes,计算调度的论文, 主要内容为随着脑科学研究的持续深入,全球范围内多领域交叉联合研究模式成为新趋势。“大数据”和“云计算”为大规模脑科学研究提供了新的思路与工具,脑科学也逐渐迈向云信息新时代。面对海量的多模脑信息数据,传统的基于个人电脑或工作站的普通计算资源已不能满足大规模的科学计算需求,亟需利用高性能计算集群进行大规模计算分析。但是,由于领域与经验差异,高性能计算资源获取、使用和技术障碍等问题已成为阻碍科研人员进行大规模科学计算的拦路虎。此外,诸如脑电各式各样的数据格式,混乱的数据文件组织以及标准化处理步骤的缺乏等问题,也极大地降低了大规模数据共享、分析的效率以及分析结果的可靠性与可重复性。因此,本文利用先进的容器技术和Kubernetes容器编排引擎,构建了标准化的脑电分析工具镜像,为云端调度建立基础;设计研发了一套智能化的云原生计算调度系统以实现自动调度,缓解了高并发场景下单服务器的压力,充分利用高性能服务器集群资源;将该云原生计算调度系统整合至We Brain云原生脑信息平台(https://webrain.uestc.edu.cn)。本文主要研究工作如下:利用We Brain云端脑信息平台提供的标准化的脑电分析工作流,结合容器技术,构建标准化的脑电分析工具镜像。以脑电预处理镜像为例测试兼容性,结果表明,脑电分析工具镜像可以适配不同的X86芯片指令集。同时,利用分析工作流的不同版本(脚本与镜像)对数据集进行多次计算,验证了分析结果的可靠性与可重复性(类内相关系数≈1)。针对容器化后的脑电分析工具镜像性能不佳的问题,还分别从CPU、内存、I/O等方面进行分析,测试性能瓶颈,以针对性地对代码与算法进行优化。实验结果表明,经过优化后的脑电分析工具镜像运行效率提高了约400%,同时减少了4倍碳排放量(耗电量折算),实现了环境友好和可持续的目标。基于Kubernetes容器编排技术设计并研发了一套脑信息计算调度系统,解决了高性能服务器集群中容器全局调度和管理的难题,并为Kubernetes集群安装了监控系统与镜像管理系统。实验测试结果表明,基于Kubernetes的计算调度系统能够充分利用服务器集群资源,对用户提交的任务进行调度并完成运算任务,适用于大规模、高并发计算的使用场景。最后,将研发的基于Kubernetes的脑信息计算调度系统整合至We Brain云端脑信息平台,实现为脑科学研究人员提供高性能、可扩展的计算资源和标准化、可靠的脑电分析工具,助力脑科学研究。

基于FPGA的高速脑电采集系统的设计与实现

这是一篇关于脑机接口,FPGA,高速采集,脑电,RHS2116的论文, 主要内容为随着计算机技术、电子信息和生物医学工程领域的不断创新和发展,脑机接口(Brain-computer interface,BCI)技术得到了飞速提高,已成为神经性疾病诊断和治疗的重要手段。现代化的脑机接口依赖于高精度、高速率脑电信号的采集,而脑电信号又是一种十分微弱的生理电信号,因此如何获取精度高、信号质量好的脑电信号,成为亟需突破的关键要点。针对目前市场现有的产品存在采样率低、通用性差、体积大、智能化分析功能弱和无法模块化扩展等问题,本文提出了一款基于FPGA的16通道高采样率、高精度、信号传输性能稳定的脑电采集设备。具体研究内容如下:(1)在终端设计上,为实现脑电信号的高采样率、稳定传输等功能,选用FPGA作为主控芯片并搭配高速率、低噪声脑电信号采集芯片RHS2116,设计了基于FPGA的高速脑电信号采集系统。FPGA通过低压差分信号技术的SPI接口控制RHS2116,搭配系统电源管理模块实现了16通道、每通道采样率30 k S/s的脑电信号高速采集,通过USB接口实现了脑电信号有线、高速稳定传输。(2)在功能设计上,为满足信号稳定且高效传输,多通道信号采集终端利用SPI通信、高速USB2.0通信协议,实现了信号的采集、传输功能。根据芯片的功能需求设计了FPGA各模块程序和USB传输模块程序,将各模块组合起来与本系统硬件所配套的采集装置以及上位机的图形化用户界面形成完整系统。(3)将实验室自主研发的可充气式脑电帽头盔与采集装置串联,形成了一套从电极端到传输端再到显示端完整的高速脑电采集系统。通过该系统在线分析脑电时域波形,利用离线数据验证了自发脑电活动和诱发脑电活动等一系列脑电实验,结果表明具有良好的采集效果。

基于EEG信号的轻度抑郁症异常脑拓扑结构研究

这是一篇关于脑电,轻度抑郁症,功能连接,图论,层次聚类,多示例学习的论文, 主要内容为随着计算机与生物信息技术的不断发展,许多研究都试图使用计算机对精神疾病进行辅助诊断,尤其是脑电(Electroencephalogram,EEG)由于其无创伤性、相对低成本、便捷性等优点,被广泛用于抑郁症的识别。然而,目前大多数EEG的抑郁症检测工作都是基于监督学习方法,监督学习需要在训练期间使用特定的标签来识别EEG中的每个示例。通常情况下,基于抑郁症检测的二分类监督学习模型要求在模型初始化前确定所选EEG频段数据以及对其进行标签化处理。然而,由于不同频段的EEG数据包含着许多生理和疾病信息以及动态变化,研究者们很难挑选出能够反映出抑郁程度的频段数据。更重要的是,在目前的方法中,模型的最终预测是通过对被试的所有示例进行平均而得到的分数。然而,深度学习的稳健拟合能力可能会导致没有表现出显著症状的示例对模型性能产生负面影响,从而影响结果。因此,为了解决上述问题,本文首先探讨了轻度抑郁症的异常脑拓扑结构,然后基于研究结果构建出一种针对轻度抑郁症进行辅助诊断的深度神经网络模型。主要工作和创新如下:1.针对轻度抑郁人群功能脑网络研究,本文采用最新的脑功能网络分析方法和层次聚类算法,首次根据视觉搜索范式中的脑电数据系统探索了轻度抑郁症患者的异常脑拓扑结构。行为结果显示,轻度抑郁症组的反应时间明显长于正常对照组。脑功能网络结果表明,两组之间的功能连接存在明显差异,半球间的长距离连接量远大于半球内的短距离连接。尤其在beta频段,轻度抑郁症患者的局部效率(Local Efficiency,LE)和聚类系数(Clustering Coefficient,CC)明显降低,额叶和顶枕叶的聚类结构遭到了破坏,额叶出现大脑不对称情况。此外,左额叶和右顶枕叶之间的长距离连接的功能连接平均值与抑郁症状呈明显的相关性。我们的结果表明,轻度抑郁症患者通过牺牲额叶和顶枕叶区域内的连接来实现两个区域之间的长距离连接,这可能为抑郁症的异常认知处理机制提供了见解。2.针对轻度抑郁症异常脑拓扑结构的多示例学习辅助诊断模型研究,本文基于多示例学习(Multiple Instance Learning,MIL)提出了一个名为CAMMIL(MIL Framework Combining Attention and Max-pooling,CAMMIL)的模型框架,它在示例层层面上使用最大池化层进行捕捉抑郁症状信息,并且在包层层面上使用注意力权重进一步整合每个示例的贡献。此外,本文还提出了一个脑区特征注意力融合CNN模块BRFAFNet(Brain Region Features Attention Fused CNN Net),该网络能够有效地使全脑特征嵌入到每个脑区中。本文的提出的方法达到了85%的准确率(Accuracy,ACC)和84.1%的ROC曲线下面积(Area under ROC Curve,AUC),与目前基于EEG信号的抑郁症检测先进方法相比,准确率最高提升了13.1%。此外本文还对轻度抑郁症识别中的频段选择问题进行了分析,结果发现轻度抑郁患者在beta频段的频段选择上有统计学上的差异。这可能为轻度抑郁症的研究和检测提供新的见解。上述研究表明,轻度抑郁症患者存在牺牲额叶和顶枕叶区域内的连接来实现两个区域之间的长距离连接的异常机制,这或许对抑郁症的异常认知处理机制提供了新的见解。其次本文提出的包含BRFAFNet的CAMMIL模型凭借其主动捕捉反映抑郁症状的频段数据、有效地将全脑特征嵌入到每个脑区特征中以及更高地模型评价指标,或许能够为轻度抑郁检测提供可靠的方法借鉴。另外,本文发现轻度抑郁患者在beta频段的频段选择上有统计学上的差异也具有重要意义。综上,本文发现了轻度抑郁症患者存在异常脑拓扑结构,以及通过该结构建立的CAMMIL模型可以提高轻度抑郁的识别率,为轻度抑郁的检测提供了新的视角。

基于Kubernetes技术的脑信息云原生计算调度系统研发

这是一篇关于脑电,云脑,容器化技术,性能优化,Kubernetes,计算调度的论文, 主要内容为随着脑科学研究的持续深入,全球范围内多领域交叉联合研究模式成为新趋势。“大数据”和“云计算”为大规模脑科学研究提供了新的思路与工具,脑科学也逐渐迈向云信息新时代。面对海量的多模脑信息数据,传统的基于个人电脑或工作站的普通计算资源已不能满足大规模的科学计算需求,亟需利用高性能计算集群进行大规模计算分析。但是,由于领域与经验差异,高性能计算资源获取、使用和技术障碍等问题已成为阻碍科研人员进行大规模科学计算的拦路虎。此外,诸如脑电各式各样的数据格式,混乱的数据文件组织以及标准化处理步骤的缺乏等问题,也极大地降低了大规模数据共享、分析的效率以及分析结果的可靠性与可重复性。因此,本文利用先进的容器技术和Kubernetes容器编排引擎,构建了标准化的脑电分析工具镜像,为云端调度建立基础;设计研发了一套智能化的云原生计算调度系统以实现自动调度,缓解了高并发场景下单服务器的压力,充分利用高性能服务器集群资源;将该云原生计算调度系统整合至We Brain云原生脑信息平台(https://webrain.uestc.edu.cn)。本文主要研究工作如下:利用We Brain云端脑信息平台提供的标准化的脑电分析工作流,结合容器技术,构建标准化的脑电分析工具镜像。以脑电预处理镜像为例测试兼容性,结果表明,脑电分析工具镜像可以适配不同的X86芯片指令集。同时,利用分析工作流的不同版本(脚本与镜像)对数据集进行多次计算,验证了分析结果的可靠性与可重复性(类内相关系数≈1)。针对容器化后的脑电分析工具镜像性能不佳的问题,还分别从CPU、内存、I/O等方面进行分析,测试性能瓶颈,以针对性地对代码与算法进行优化。实验结果表明,经过优化后的脑电分析工具镜像运行效率提高了约400%,同时减少了4倍碳排放量(耗电量折算),实现了环境友好和可持续的目标。基于Kubernetes容器编排技术设计并研发了一套脑信息计算调度系统,解决了高性能服务器集群中容器全局调度和管理的难题,并为Kubernetes集群安装了监控系统与镜像管理系统。实验测试结果表明,基于Kubernetes的计算调度系统能够充分利用服务器集群资源,对用户提交的任务进行调度并完成运算任务,适用于大规模、高并发计算的使用场景。最后,将研发的基于Kubernetes的脑信息计算调度系统整合至We Brain云端脑信息平台,实现为脑科学研究人员提供高性能、可扩展的计算资源和标准化、可靠的脑电分析工具,助力脑科学研究。