基于卷积神经网络的多分类脑电信号识别

发布时间：2021-04-27 08:31

　　近几年,脑机接口（Brain-computer interface,BCI）系统的研究成为人工智能领域内科研以及应用技术研究热门方向。BCI技术允许人类通过运动想象（MI）信号控制外部设备,在医学康复以及军事科技领域有良好前景。该技术的关键之处在于对脑电信号的正确识别分类,但现有的许多特征提取算法无法消除人脑个体差异对脑电信号的影响,从而阻碍了BCI系统的广泛应用。本研究基于现有的BCI技术,对脑电运动想象信号进行数据分析,频带筛选和特征提取,与卷积神经网络（Convolutional Neural Network,CNN）信号分类器结合,提出了一种新的分类算法,消除了个体差异并很显著提升了分类准确率。脑电信号的预处理方法中,通常采用初始信号滤波或者去噪重构的方法,提高信号信噪比,但是滤波范围和去噪阈值设定并不严谨,导致脑电分类算法的普适性较差。在本文中,我们采用离散小波变换（Discrete Wavelet Transform,DWT）计算每位被试的频带能量分布,选取最佳频带,提升算法普适性。常见的脑电分类算法提取的特征包括时空域特征以及频域特征,时空域特征是利用卷积核对于初始信号进... 

【文章来源】：山东师范大学山东省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景和意义
    1.2 国内外研究现状
    1.3 主要研究内容
第二章 脑电信号多分类的相关理论基础
    2.1 脑电信号描述
        2.1.1 脑电信号的研究历程
        2.1.2 脑电信号的频率分布
        2.1.3 事件相关同步和去同步
        2.1.4 脑电信号的采集
    2.2 基于DWT的频带能量分析
        2.2.1 多分辨率分析
        2.2.2 DWT数学模型
        2.2.3 DWT基于Parseval定理的能量分布
        2.2.4 能量占比计算
    2.3 基于滑动时间窗的信号分割
    2.4 深度学习中的神经网络介绍
        2.4.1 神经网络中基本结构
        2.4.2 神经元种类
        2.4.3 神经网络
        2.4.4 神经网络的反向传播算法
    2.5 卷积神经网络
        2.5.1 卷积层
        2.5.2 池化层
        2.5.3 全连接层
        2.5.4 分类函数
        2.5.5 视觉几何组网络（Visual Geometry Group network）
        2.5.6 卷积神经网络特点
        2.5.7 卷积神经网络总结
第三章 脑电运动想象信号实验分析
    3.1 实验数据
        3.1.1 BCI Competition IV Dataset IIA数据集
        3.1.2 GDF数据读取
    3.2 现有分类方法的介绍
        3.2.1 原始数据特征算法
        3.2.2 平行多层感知网络算法
        3.2.3 黎曼几何与支持向量机算法
        3.2.4 多尺度CSP算法
    3.3 现有算法分类结果分析
    3.4 实验被试分析
    3.5 实验数据处理方法选择
    3.6 脑电信号分类处理框架
第四章 脑电运动想象信号分类框架
    4.1 基于DWT的自动频带选择
        4.1.1 原始频带划分
        4.1.2 强化细节分量的DWT子频带能量计算方法
    4.2 基于滑动时间窗的数据预处理
    4.3 基于功率谱密度的特征提取
    4.4 卷积神经网络设计和脑电信号分类
        4.4.1 卷积神经网络结构设计
        4.4.2 卷积神经网络运算
第五章 实验结果与分析
    5.1 分类准确率
    5.2 分类结果对比
    5.3 有无自动频带选择的分类效果对比
    5.4 实验参数验证
        5.4.1 卷积核验证
        5.4.2 迭代次数验证
    5.5 本章小结
第六章 总结与展望
参考文献
攻读硕士学位期间发表的论文及其他科研成果
致谢


【参考文献】：
期刊论文
[1]在FPGA上实现及优化加速卷积神经网络的方法[J]. 郑文凯,杨济民.  山东师范大学学报(自然科学版). 2019(02)
[2]基于深度卷积神经网络的脑电信号情感识别[J]. 陈景霞,王丽艳,贾小云,张鹏伟.  计算机工程与应用. 2019(18)
[3]基于深度卷积神经网络的癫痫脑电自动检测[J]. 韦晓燕,周霖,陈秋源,陈子怡,周毅.  中国数字医学. 2019(01)
[4]基于FastICA和卷积神经网络的脑电信号分类算法[J]. 陈宇,周雨佳,宫翔君.  黑龙江大学自然科学学报. 2018(03)
[5]基于概率协作表示的运动想象脑电分类算法[J]. 崔丽霞,杨济民,常洪丽.  山东科学. 2018(02)
[6]基于卷积神经网络的人脸识别方法[J]. 陈耀丹,王连明.  东北师大学报(自然科学版). 2016(02)
[7]基于多尺度卷积神经网络的磁共振成像脑肿瘤分割研究[J]. 李健,罗蔓,罗晓,蓝威,周怀恒,陈荣耀.  中国医学装备. 2016(02)

硕士论文
[1]压力累积效应的心跳模式分析与异常检测[D]. 张杰.西南大学 2018
[2]基于卷积神经网络的脑电信号检测与脑机接口实现[D]. 董贤光.山东大学 2016



本文编号：3163138