联合CEEMD递归图和CNN的运动想象脑电信号识别
发布时间：2020-12-31 11:54
脑-机接口（BCI）系统通过研究人脑所发出的电流信号在大脑皮层的运作方式,让大脑可以不通过外围神经系统运作直接实现与外部环境之间的交互,这个技术实现的关键点就是对于大脑产生的各种脑电信号进行合理的处理以及利用算法进行有效的识别和分类。为了提高对脑电信号的识别率,本文提出了一种基于经验模态分解（CEEMD）递归图和卷积神经网络的两级特征提取方法,在CEEMD分解的基础上,构造运动想象脑电信号的多尺度递归图作为脑电识别的一级特征,然后将重构后的CEEMD多尺度递归图作为卷积神经网络的输入,对其进行第2级的特征提取和分类。具体过程为,首先利用完备总体经验模态分解CEEMD将运动想象脑电信号分解为不同尺度的固有模态函数并构造各个固有模态分量的递归图,得到第1级特征;然后,将多尺度递归图视为左右手EEG信号的图像特征,利用卷积神经网络处理图像的优势,从第1级特征中提取到能够更好地表述运动想象脑电信号的特征;在BCI竞赛Ⅳ中的Data-sets 2a数据集上进行实验,最后利用测试数据对两级特征提取的方法进行分类识别率的验证,实验表明,本文提出的结合多尺度递归图和卷积网络的两级特征提取方法对两类运动...
【文章来源】：武汉科技大学湖北省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
不同节律的波形
武汉科技大学硕士学位论文10实验范式如图2.3所示。实验共采集了25个通道的信号，其中22个通道为EEG，另外3个通道为眼电信号，均为以左乳突为参考、右乳突为地的单极信号；信号的采样频率为250Hz，并使用0.05～100Hz带通滤波器和50Hz工频陷波器进行滤波。该数据的9位实验人（A01~A09）分别进行两类不同的运动想象任务，即左手和右手的运动想象任务。单个实验将运动想象任务划分为四个部分：第一个阶段为Fixationcross阶段，在实验开始后的前2s中,受试者须保持平静，等待屏幕提示；第二阶段为Cue阶段，在2s结束时，屏幕显示左右方向箭头，该箭头持续1s，受试者根据屏幕显示准备进行相应的运动想象任务；第三阶段为Motorimagery阶段，第3s开始时，受试者需根据箭头提示进行运动想象任务，持续3s；第四阶段为Break阶段，受试者停止运动想象任务，适当放松，同时为下一组实验做准备。每个时间段包含48次单次实验，每类进行12次。在整个实验过程中，系统不间断的对脑电信号进行采集和存储，并将多有数据分为288个训练样本和288个测试样本。图2.2采样电极摆放示意图图2.3EEG信号采集示意图
武汉科技大学硕士学位论文10实验范式如图2.3所示。实验共采集了25个通道的信号，其中22个通道为EEG，另外3个通道为眼电信号，均为以左乳突为参考、右乳突为地的单极信号；信号的采样频率为250Hz，并使用0.05～100Hz带通滤波器和50Hz工频陷波器进行滤波。该数据的9位实验人（A01~A09）分别进行两类不同的运动想象任务，即左手和右手的运动想象任务。单个实验将运动想象任务划分为四个部分：第一个阶段为Fixationcross阶段，在实验开始后的前2s中,受试者须保持平静，等待屏幕提示；第二阶段为Cue阶段，在2s结束时，屏幕显示左右方向箭头，该箭头持续1s，受试者根据屏幕显示准备进行相应的运动想象任务；第三阶段为Motorimagery阶段，第3s开始时，受试者需根据箭头提示进行运动想象任务，持续3s；第四阶段为Break阶段，受试者停止运动想象任务，适当放松，同时为下一组实验做准备。每个时间段包含48次单次实验，每类进行12次。在整个实验过程中，系统不间断的对脑电信号进行采集和存储，并将多有数据分为288个训练样本和288个测试样本。图2.2采样电极摆放示意图图2.3EEG信号采集示意图
【参考文献】：
期刊论文
[1]基于脑电EEG信号的分析分类方法[J]. 陈泽龙,谢康宁. 中国医学装备. 2019(12)
[2]脑-机接口的前沿进展[J]. 何晖光. 世界科学. 2019(12)
[3]脑机接口技术的发展与展望[J]. 于淑月,李想,于功敬,孙健,张忠海,成苈委. 计算机测量与控制. 2019(10)
[4]人类脑科学研究计划的进展[J]. 王东辉,吴菲菲,王圣明,拜云虎,杨雁灵,王亚云. 中国医学创新. 2019(07)
[5]基于递归定量分析的视听脑电应用研究[J]. 李世丹,朱晓军. 计算机工程与应用. 2019(09)
[6]基于卷积神经网络的脑电情绪识别研究[J]. 张俊晓,薄华. 现代计算机(专业版). 2018(23)
[7]脑——机接口系统组成概述[J]. 刘方毅,李方博. 电子世界. 2017(21)
[8]基于多类运动想象任务的EEG信号分类研究[J]. 马满振,郭理彬,苏奎峰. 计算机测量与控制. 2017(10)
[9]人体步态复杂度的递归图和递归定量分析研究[J]. 余建,曹军义,王伟,廖维新. 西安交通大学学报. 2017(10)
[10]基于EEG脑机接口的研究现状及在康复中的应用[J]. 李青敏,李忠正,邱继文,郭永明. 北京生物医学工程. 2017(03)
硕士论文
[1]基于左右手运动想象脑电特征提取与识别研究[D]. 郭晓梅.太原理工大学 2018
[2]基于递归图网络构建的脑电信号研究[D]. 闫祥涛.南京邮电大学 2017
[3]基于卷积神经网络的图像分类[D]. 李晓普.大连理工大学 2015
[4]卷积神经网络及其应用[D]. 李飞腾.大连理工大学 2014
本文编号：2949561
【文章来源】：武汉科技大学湖北省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
不同节律的波形
武汉科技大学硕士学位论文10实验范式如图2.3所示。实验共采集了25个通道的信号，其中22个通道为EEG，另外3个通道为眼电信号，均为以左乳突为参考、右乳突为地的单极信号；信号的采样频率为250Hz，并使用0.05～100Hz带通滤波器和50Hz工频陷波器进行滤波。该数据的9位实验人（A01~A09）分别进行两类不同的运动想象任务，即左手和右手的运动想象任务。单个实验将运动想象任务划分为四个部分：第一个阶段为Fixationcross阶段，在实验开始后的前2s中,受试者须保持平静，等待屏幕提示；第二阶段为Cue阶段，在2s结束时，屏幕显示左右方向箭头，该箭头持续1s，受试者根据屏幕显示准备进行相应的运动想象任务；第三阶段为Motorimagery阶段，第3s开始时，受试者需根据箭头提示进行运动想象任务，持续3s；第四阶段为Break阶段，受试者停止运动想象任务，适当放松，同时为下一组实验做准备。每个时间段包含48次单次实验，每类进行12次。在整个实验过程中，系统不间断的对脑电信号进行采集和存储，并将多有数据分为288个训练样本和288个测试样本。图2.2采样电极摆放示意图图2.3EEG信号采集示意图
武汉科技大学硕士学位论文10实验范式如图2.3所示。实验共采集了25个通道的信号，其中22个通道为EEG，另外3个通道为眼电信号，均为以左乳突为参考、右乳突为地的单极信号；信号的采样频率为250Hz，并使用0.05～100Hz带通滤波器和50Hz工频陷波器进行滤波。该数据的9位实验人（A01~A09）分别进行两类不同的运动想象任务，即左手和右手的运动想象任务。单个实验将运动想象任务划分为四个部分：第一个阶段为Fixationcross阶段，在实验开始后的前2s中,受试者须保持平静，等待屏幕提示；第二阶段为Cue阶段，在2s结束时，屏幕显示左右方向箭头，该箭头持续1s，受试者根据屏幕显示准备进行相应的运动想象任务；第三阶段为Motorimagery阶段，第3s开始时，受试者需根据箭头提示进行运动想象任务，持续3s；第四阶段为Break阶段，受试者停止运动想象任务，适当放松，同时为下一组实验做准备。每个时间段包含48次单次实验，每类进行12次。在整个实验过程中，系统不间断的对脑电信号进行采集和存储，并将多有数据分为288个训练样本和288个测试样本。图2.2采样电极摆放示意图图2.3EEG信号采集示意图
【参考文献】：
期刊论文
[1]基于脑电EEG信号的分析分类方法[J]. 陈泽龙,谢康宁. 中国医学装备. 2019(12)
[2]脑-机接口的前沿进展[J]. 何晖光. 世界科学. 2019(12)
[3]脑机接口技术的发展与展望[J]. 于淑月,李想,于功敬,孙健,张忠海,成苈委. 计算机测量与控制. 2019(10)
[4]人类脑科学研究计划的进展[J]. 王东辉,吴菲菲,王圣明,拜云虎,杨雁灵,王亚云. 中国医学创新. 2019(07)
[5]基于递归定量分析的视听脑电应用研究[J]. 李世丹,朱晓军. 计算机工程与应用. 2019(09)
[6]基于卷积神经网络的脑电情绪识别研究[J]. 张俊晓,薄华. 现代计算机(专业版). 2018(23)
[7]脑——机接口系统组成概述[J]. 刘方毅,李方博. 电子世界. 2017(21)
[8]基于多类运动想象任务的EEG信号分类研究[J]. 马满振,郭理彬,苏奎峰. 计算机测量与控制. 2017(10)
[9]人体步态复杂度的递归图和递归定量分析研究[J]. 余建,曹军义,王伟,廖维新. 西安交通大学学报. 2017(10)
[10]基于EEG脑机接口的研究现状及在康复中的应用[J]. 李青敏,李忠正,邱继文,郭永明. 北京生物医学工程. 2017(03)
硕士论文
[1]基于左右手运动想象脑电特征提取与识别研究[D]. 郭晓梅.太原理工大学 2018
[2]基于递归图网络构建的脑电信号研究[D]. 闫祥涛.南京邮电大学 2017
[3]基于卷积神经网络的图像分类[D]. 李晓普.大连理工大学 2015
[4]卷积神经网络及其应用[D]. 李飞腾.大连理工大学 2014
本文编号：2949561
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2949561.html
