基于深度学习的运动想象脑电信号分类算法研究

发布时间：2020-08-24 21:58

【摘要】：脑机接口(Brain Computer Interface,BCI)技术是一种不依赖除大脑以外的肌肉和神经,在大脑与计算机或其它电子设备之间建立直接交流的人机交互技术。该技术的应用前景广阔,包括帮助残障人士进行康复治疗,加速人类对大脑的探索,快速进行目标检测等不同应用方向,是一项值得深入研究的课题。根据脑电信号(Electroencephalogram,EEG)产生方式的不同BCI系统有着不同的分类,本文研究的是自发式BCI中的运动想象(Motor Imaginary,MI)系统,即受试者在内心反复想象肢体运动但实际保持静止,采集该过程中大脑皮层产生的脑电信号,分析其携带特征从而对不同想象任务进行分类。目前,以运动想象EEG信号作为待分类信号的BCI系统大多按照手动选择特征明显的导电极通道(C3,C4区域附近通道)进行预处理,在选取的通道上寻找适合的特征提取算法,根据提取的特征在多种不同的分类算法中选择效果最佳分类器的步骤进行BCI系统的设计。该方式在单名受试者EEG信号的二分类问题上准确率普遍集中在72%-85%之间,但是存在选择通道凭经验、特征提取不完全、不同受试者差异大等多种问题。针对这些问题本文选择可以从数据中自动学习特征并进行分类的深度学习算法进行研究,实验只需设计一个分类器且无需手动选择通道,简化了BCI系统的设计流程。本文的工作主要分为三部分。第一部分深入系统的了解了运动想象脑电信号产生的机制和特性,并由此设计EEG信号的采集实验。对采集到的EEG信号进行简单的时域分析、频域分析、及时频分析。剔除异常样本后采用小波重构的方式对运动想象EEG信号的特定频段进行提取;第二部分本文根据运动想象脑电信号的特点着重探讨了卷积神经网络(CNN)及长期短期记忆网络(LSTM)两种分类算法。本文在深入的分析了选择该算法的原因后,设计了多种不同的网络结构并分别在单人和多人上进行训练。通过对实验结果的分析选择最优的网络结构,并尝试分析该结构效果相较其他结构有优势的原因;第三部分采用了一种综合时域、频域及空域的脑电信号处理方法。该方法用于分析由脑电信号按时间顺序转化成的一系列功率谱图,将CNN算法与LSTM算法结合提取更全面的特征。实验发现该算法在单人和多人训练的分类准确率上都有很大的提升,具有更好的鲁棒性。该方法可作为通用的EEG信号处理方法,为脑电信号的分类提供了一种新颖的思路。
【学位授予单位】：哈尔滨工程大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318;TN911.7
【图文】：

系统结构图,系统结构图

1.1 研究背景与意义1.1.1 脑机接口简介脑机接口（Brain-Computer Interface, BCI）是大脑与外部设备（计算机或其他电子设备）间通过大脑活动时产生的信号建立起的一种通讯控制系统。该系统不依赖除大脑以外的肌肉和神经[1]，在大脑与机器间建立直接的交流，是一种新型的，高端的人机交互方式。完整的 BCI 系统如下图 1.1 所示，它包括：信号采集部分、特征提取部分、模式识别部分和控制命令输出等四部分[2]。大脑进行思维活动主要依赖于中枢神经系统。当人类进行不同的思维活动时，脑中的神经活动模式不同，神经活动所产生的信号就不同。理论上 BCI 系统可以通过各种传感器等信号采集设备监测神经活动所产生的信号，通过对该信号的分析处理，即下图中的特征提取和模式识别两部分，将信号按不同的思维活动进行分类从而产生相应的控制命令，完成用户与外部设备的交互任务。图 1.1 中的反馈环节并不是必要的，它通常应用于在线的 BCI 系统中，使用户可以清楚地看到自己的思维对应的控制结果。如果结果与预期不同，用户可以及时对自己的思维进行调节，具有更好的用户体验。

脑叶,脑电信号,人脑结构,预处理

第 2 章脑电信号采集及预处理第 2 章脑电信号采集及预处理2.1 脑机接口生理基础2.1.1 人脑结构及皮质层分区人类大脑的结构可分为左右两个脑半球，每个脑半球又可以根据位置划分成四个脑叶区域，分别是：额叶、颞叶、顶叶、枕叶[51]，如下图 2.1 所示。脑叶区域中蕴含着可以承担不同任务的神经中枢，从而在大脑皮质层上形成了分区专司的现象[2]，如下图 2.2所示。

大脑皮质,躯体感觉区,关系密切,脑叶

【参考文献】