基于深度学习的P300脑机接口分类算法研究

发布时间：2020-08-09 01:59

【摘要】：脑机接口(brain-computer interface,BCI)是一种允许人脑与外部设备进行交互的通信和控制系统,其中P300拼写系统是一种基于Oddball刺激范式的BCI系统。它由两步分类步骤组成,一是检测脑电图(electronencephalogram,EEG)信号中是否存在P300电位,二是组合前一次的P300检测结果来确定目标字符。在实际应用中,提高P300拼写系统的拼写准确率和信息传输率(information transfer rate,ITR)很重要。然而传统P300检测算法在分类前一般需要进行较复杂的预处理和特征提取操作,且字符识别准确率(character recognition rate,CRR)及信息传输率不够高。针对这些问题,本文试图从深度学习的角度提升P300拼写系统的性能。本文的研究内容如下:标准的卷积神经网络(convolutional neural network,CNN)在P300检测中容易出现过拟合问题,故本文在标准卷积神经网络的基础上改进模型,命名为批归一化卷积神经网络。其中,在卷积层中引入批归一化层(batch normalization,BN)、在全连接层之间添加Dropout层来缓解梯度消失及过拟合问题。提出减少非目标字符干扰的改进算法。由于非目标字符产生的干扰主要来自于与目标相邻的字符,故本文设计了一个三分类模型来减少这种干扰。即把目标字符对应样本、目标字符的相邻字符对应样本、以及其他样本作为三个类别进行训练。采用基于门控循环单元(gated recurrent unit,GRU)的双向循环神经网络(recurrent neural network,RNN)进行P300检测,以解决时间序列信号的长期依赖问题。把卷积神经网络与循环神经网络相结合,同时进行空域滤波和时域滤波。故采用ConvLSTM网络来解决卷积神经网络无法处理的长期依赖问题,也解决循环神经网络无法进行充分空域滤波的问题。实验证明,以上的深度学习方法在P300拼写系统中能取得较好的效果,即字符识别准确率和信息传输率要优于传统算法和经典的卷积神经网络算法。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R318;TN911.7;TP18
【图文】：

肌电图,通用框架

图 1-1 脑机接口通用框架[7]特征提取阶段则是从已记录的 EEG 信号中提取出有效的信息，并映射到一个这个向量包含了脑活动中有判别力的特征。提取这些信息通常是一项非常具有任务，因为 EEG 信号与来自有限的大脑活动的其他信号混合在一起，这些活和空间上重叠。此外，信号通常不是静止的，还可能被肌电图（electromyogra）或眼电图（electrooculography，EOG）等伪影所扭曲。还需要注意的是，所征向量必须是低维的，以减少特征提取阶段的复杂性，但不能造成相关信息的损分类阶段，即考虑使用所提取的特征向量对信号进行分类。因此，选择有判别对于实现有效的模式识别来说至关重要，这样才能破译用户的意图。最后，控段将 EEG 信号的分类结果转换为连接设备（如轮椅或计算机）的有意义的命令3 脑电信号的分类

波形,波形,范式

随着脑机接口的发展，基于 P300 字符拼写系统的研究受到越来越多的关注。本章主要介绍 P300 的特点和基本原理、P300 范式中的行列刺激范式以及由此引出的两步分类问题，然后介绍 P300 信号的数据采集方式、数据预处理算法以及脑机接口系统中常见的性能评价指标。2.1 P300 的特点和基本原理P300 是一种记录于 EEG 信号中的事件相关电位[29]，是对发生概率相对较小的外界事件或刺激的反应。顾名思义，P300 是指在刺激事件发生后约 300 毫秒左右，大脑顶部区域会出现一个阳性峰值，如图 2-1 所示。P300 的响应峰值较小，通常淹没在 EEG的背景噪声中，不容易被观测到。且 P300 的信噪比比较低，故可以采用多次叠加求平均的方法来提高信号的信噪比，从而提高检测精度。同时，叠加求平均后 P300 的波形会更加明显。

范式,行列

数据处理00 信号的字符拼写系统有很多，其中应用最广、最和改进的字符拼写系统，这也是第三届国际BC，系统原理以及实现方式都很简单，同时无需受的 P300 信号。式300 脑机接口系统中一个重要的部分。一个好的够产生高质量的 P300 信号等特点。最经典的刺的行列刺激范式（row-column paradigm）[13]。该其中包含大写字母、数字以及下划线。如图 2-2

【相似文献】