基于深度置信网络的脑电信号识别研究及在智能轮椅中的应用

发布时间：2020-04-08 06:00

【摘要】：脑机接口(Brain Computer Interface,BCI)实现了人脑与外部设备之间的直接信息交流,它将用户的意图解码为控制命令来操纵设备,是一种新型数据交互方式。随着脑科学的快速发展,该技术已成为辅助医疗领域的研究热点。如何高效准确地提取出大脑思维活动信号的特征并转化为可以控制外部设备的输出指令,是BCI系统研究的关键。对此,本文针对脑电信号特征提取难和识别率的提高问题进行了深入研究,具有重要的科学理论意义和实际应用价值。首先,在脑电信号的特征提取环节,针对深度置信网络(Deep Belief Network,DBN)处理小样本脑电信号训练时间长且存在过拟合的问题,本文提出了基于随机隐退DBN的脑电信号特征提取方法,对左右手运动想象脑电信号进行分析处理。通过对原始脑电数据进行降维预处理,然后输入到随机隐退DBN模型中进行训练,得到最优参数值后进行分类识别。实验结果表明,与共空间模式(Common Spatial Pattern,CSP)、主成分分析法(Principal Component Analysis,PCA)、单一DBN网络等方法相比,基于随机隐退的DBN算法在保持较高识别率的同时,降低了对数据集的训练处理时间,证明了该算法在脑电信号特征提取中的高效性。其次,针对脑电信号识别率的提高问题,受启发于迁移学习中的个体差异性思想,本文在DBN及其相关改进算法的基础上,提出了多频带频域深度置信网络Multi-bands FDBN识别算法。由于不同的频带对于个体的贡献并不一致,各个体之间的关键频带也不尽相同,本文利用带通滤波器将原始的脑电信号分成多个频段,再采用FFT将时域信号转换为频域信号并作归一化处理,最后将每个频段的频域数据输入DBN进行训练识别。线下实验证明,相比频域深度置信网络(Frequential Deep Belief Network,FDBN)算法,Multi-bands FDBN的平均准确识别率提高了3.25%,且标准差更小,鲁棒性更好。最后,为了验证本文提出算法的有效性,设计并实现了基于运动想象脑机接口(Motor Imagery Brain Computer Interface,MI-BCI)的智能轮椅人机交互系统。实验结果表明,使用基于随机隐退的DBN算法和多频带频域深度置信网络算法,分别对运动想象脑电信号进行特征提取和分类,可以顺畅地完成脑电控制轮椅运动的实验任务,通过走“8”字形固定轨迹实验比较改进算法的差异,进一步验证了它们的有效性。
【图文】：

智能轮椅,系统总体,人机交互系统,肌电

第 2 章系统总体框架在前一章节中已经明确了本文的重点是了 BCI 系统的总体框架，然后对本文所使用集方式进行了详细介绍，同时描述了受试者号的采集过程。最后对脑电信号的处理分析BCI 智能轮椅人机交互系统中的特征提取和2.1 系统总体框架设计本文设计的基于运动想象脑机接口的智信号处理、控制接口和智能轮椅等 4 个部分信号采集咬牙单击肌电

基于深度置信网络的脑电信号识别研究及在智能轮椅中的应用

ZEmotlv传威器
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH77;TN911.7

【参考文献】