基于极限学习机的脑电信号分类研究

发布时间：2020-06-25 04:41

【摘要】：脑-机接口(BCI)通过计算机在大脑和外部环境之间建立了一条直接的信息交流和控制通道,不同于依赖外周神经和肌肉组织的传统途径。BCI系统不仅可以在医疗领域帮助改善残疾人的生活自理能力,而且在康复训练、游戏娱乐、可穿戴智能设备、军事等领域也可大展身手。因此,对BCI技术的研究具有重要的现实意义和应用价值。人类脑电信号(EEG)能够有效反映人类的生理功能和思想情绪等信息。准确且快速地进行EEG信号特征提取和分类是BCI系统的关键之一。极限学习机(ELM)分类方法具有泛化能力强、学习速度快等特点,在BCI应用具有潜在优势。为了进一步提高经典ELM算法的性能,本文结合深度学习和半监督学习思想对其进行改进,并应用于EEG信号分类,主要工作如下:(1)本文总结了BCI技术以及ELM分类算法的研究现状,针对依据深度学习和半监督学习理论提出的级联极限学习机(H-ELM)和半监督极限学习机(SS-ELM)方法所存在的一些不足,本文提出了一些改进算法,并应用到EEG信号的识别中,取得了不错的分类性能。(2)针对SS-ELM算法受限于其单隐层结构导致其对EEG特征的学习不够充分,而H-ELM算法忽视了大量无标记样本的有效利用等问题,本文提出一种新的级联半监督极限学习机算法。首先利用H-ELM中的深度模型分别对标记和未标记训练样本进行特征学习,然后将其学习后的新特征嵌入到SS-ELM中并改进目标函数,进一步提高深度网络的泛化性能。在标准数据集和脑电竞赛数据BCI Dataset 2a上的实验结果表明,相较于SVM、ELM、SAE、H-ELM和SS-ELM算法,本文方法在识别准确率和速度上取得了较好的平衡。(3)针对SS-ELM算法未考虑无标记样本的风险,导致其性能在某些情况下会低于ELM的问题,本文提出一种安全半监督极限学习机算法。设计了一种新的安全半监督机制,利用Wasserstein距离衡量无标记样本的风险度,在SS-ELM目标函数中添加风险项,实现在多分类情况下的安全半监督分类。在标准数据集和脑电竞赛数据BCI Competition IV Dataset 2a上的实验结果验证了所提方法的有效性。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN911.7;TP181
【图文】：

神经元结构

图 3.1 HSS-ELM 结构 , , ,l l uX Y X Y X ， 1 2 2, , ,..., ,l l x y x y，其ELM 算法的具体步骤如下分别所有样本X和有标记K 和KG ，K 为深度网络的的高层特征进行半监督分lX 和无标记样本uX ，根据构造出流形正则项。然后利 的损失函数进行改进，2 2T 2 2( K C β G β Y β H层与输出层的权重矩阵β 的个数l u m时，上式

【相似文献】

相关期刊论文 前10条

1 王薇蓉;张雪英;孙颖;畅江;;关于脑电信号的情感优化识别仿真[J];计算机仿真;2018年06期

2 郭婷仪;李素芳;钟桂仙;曾佳璇;周酥;;基于脑电信号的耳鸣识别算法研究[J];科技传播;2018年13期

3 左晶;万小勤;罗杨;郑斌;陈斌林;任祥花;;癫痫脑电信号的相关性分析[J];电子世界;2017年05期

4 张娜;唐贤伦;刘庆;;基于半监督学习的脑电信号特征提取及识别[J];工程科学与技术;2017年S2期

5 石乔莉;王延辉;李信政;;基于脑电信号的驾驶疲劳的研究[J];世界最新医学信息文摘;2017年55期

6 王恒;李念强;齐鹏冲;;运动想象脑电信号特征的提取与分类[J];工业控制计算机;2015年02期

7 李亚杰;宋明星;张玉栋;;脑电信号采集系统的设计[J];河北建筑工程学院学报;2014年01期

8 蔡超峰;张勇;郭舒婷;姜利英;;思维脑电信号的关联维数分析[J];河南科技大学学报(自然科学版);2012年01期

9 鲁强;刘玉军;徐建兰;张进禄;;一种适用于清醒动物脑电信号采集的固定装置[J];首都医科大学学报;2011年06期

10 肖丹;胡剑锋;;运动想象脑电信号识别研究[J];计算机工程与应用;2010年33期

相关会议论文 前10条

1 薛蕴全;王秋英;王宏;;脑电信号的动态时空响应拓扑图[A];中国仪器仪表学会第三届青年学术会议论文集（上）[C];2001年

2 王裕清;粱平;郭付清;张登攀;;脑电信号诊断专家系统的研究[A];中国生理学会第21届全国代表大会暨学术会议论文摘要汇编[C];2002年

3 李凌;曾庆宁;尧德中;;利用两级抗交叉串扰自适应滤波器提取诱发脑电信号[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年

4 朱林剑;包海涛;孙守林;梁丰;;新型脑电信号采集方法与应用研究[A];大连理工大学生物医学工程学术论文集（第2卷）[C];2005年

5 张丹丹;丁海艳;侯新琳;叶大田;;新生猪缺氧缺血实验中脑电信号的伪差分析[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（上册）[C];2007年

6 葛家怡;周鹏;王明时;;睡眠脑电信号样本熵的研究[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（下册）[C];2007年

7 胡楠;徐进;郑崇勋;;不同麻醉深度下脑电信号的复杂度研究[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（下册）[C];2007年

8 欧阳轶;郑崇勋;张崇;;基于脑电小波熵的生理性精神疲劳分析[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（下册）[C];2007年

9 许涛;朱林剑;包海涛;;基于思维脑电信号的假手的研究[A];提高全民科学素质、建设创新型国家——2006中国科协年会论文集（下册）[C];2006年

10 童珊;黄华;陈槐卿;;混沌理论在脑电信号分析中的应用[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年

相关重要报纸文章 前4条

1 科学作者 译者 猛玛;如何做到真正的因材施教[N];电脑报;2016年

2 本报记者 张晓鸣;用脑电波开车，这不是开玩笑[N];文汇报;2015年

3 本报特约撰稿人 陆志城;我思，故我动[N];医药经济报;2003年

4 本报记者 冯海波 通讯员 刘慧婵 祝和平;大学生创意闪耀的舞台[N];广东科技报;2011年

相关博士学位论文 前10条

1 韩凌;脑电信号同步分析及癫痫发作预测方法研究[D];东北大学;2016年

2 赵丽;基于脑电信号的脑-机接口技术研究[D];天津大学;2004年

3 缪晓波;基于脑电信号的认知动力学系统研究——线性/非线性方法及动态时—频—空分析[D];重庆大学;2004年

4 徐鹏;信号的稀疏分解及其在脑电信号处理中的应用研究[D];电子科技大学;2006年

5 伍亚舟;基于想象左右手运动思维脑电BCI实验及识别分类研究[D];第三军医大学;2007年

6 唐艳;基于时间、频率和空间域的自发脑电信号提取[D];中南大学;2008年

7 陈东伟;非线性动力学、因果脑网络与聚类稳定性在脑电信号分析中的应用研究[D];太原理工大学;2015年

8 马小飞;认知任务下的脑电动力学分析[D];南京大学;2017年

9 张美云;阿尔茨海默病脑电信号多尺度时空定量特征研究[D];天津医科大学;2012年

10 周群;脑电信号同步：方法及应用研究[D];电子科技大学;2009年

相关硕士学位论文 前10条

1 佟歌;基于深度学习的运动想象脑电信号分类算法研究[D];哈尔滨工程大学;2018年

2 张付浩;基于脑电信号的癫痫疾病智能诊断与研究[D];哈尔滨理工大学;2018年

3 景永豪;EEG信号采集与无线传输系统[D];哈尔滨理工大学;2018年

4 金子敦;基于脑电信号的情绪特征提取与分类研究[D];哈尔滨理工大学;2018年

5 解腾;脑电控制的电动车系统设计[D];哈尔滨理工大学;2018年

6 刘晓菲;基于仿生神经系统的癫痫脑电识别研究[D];湖南师范大学;2018年

7 原博炜;BCI系统的脑电信号分析和类脑避障策略[D];东华大学;2018年

8 许丽;基于脑电的情绪识别研究[D];昆明理工大学;2018年

9 杨赞杰;基于度量学习的脑电信号情绪识别方法研究[D];哈尔滨工业大学;2018年

10 李阳丹;基于生物电控制的人机交互技术研究[D];杭州电子科技大学;2018年

本文编号：2728870