结合卷积神经网络和循环神经网络的脑电识别
发布时间：2022-01-03 23:31
脑计算机接口（Brain-Computer Interface,BCI）是允许大脑控制计算机或其他设备而不使用周围神经和肌肉的软件和硬件的组合,也是一种新的交互方式。主要目标是帮助严重残疾人像普通人一样生活,甚至完全恢复。然而,许多其他领域也开始对BCI技术的应用感兴趣,如娱乐,生活,游戏,军事等。由于脑电信号通常是高维多通道的,并且信噪比较低,原始数据中能用于分析的有用信息很少,很难提取脑电信号中的本质特征,而且它是一种具有随机性的序列信号。卷积提取抽象特征的能力极强,同时卷积操作还能增强脑电信号的信噪比;另外,脑电信号的时序信息经常被忽视,采用循环神经网络（Recurrent Neural Network,RNN）挖掘数据间的联系,实现对脑电信号的充分利用。所以本文确定以卷积神经网络（Convolutional Neural Network,CNN）和RNN为基础研究脑电信号特征提取与分类。针对RNN容易导致梯度消失的问题,通过引入门结构的门限递归单元（Gated Recurrent Unit,GRU）,使其具有较长的“记忆力”;另外针对网络发生过拟合的问题,采用随机隐退思想的Dr...
【文章来源】：重庆邮电大学重庆市
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图２．１受限玻尔兹曼机??
无监督的深度学习算法［３５］。它是由多个ＲＢＭ堆叠所构成，自下而上，前一?ＲＢＭ??的隐藏层即为下一个ＲＢＭ的可见层，前一?ＲＢＭ的输出即为下一个ＲＢＭ的输??入，依此类推，逐层训练，直至最后一层。ＤＢＮ的模型结构如图２．２所示。ＤＢＮ??的训练过程可分为２步：①应用非监督的方式自下而上地对每层ＲＢＭ进行预训??练，完成初始化；②采用监督的方式（梯度下降法）对整个网络进行自上而下的微??调。??施狀（〇输出层??Ｗ??（〇。：。〇）＊ｋ??〇??０??ｒｂｍ３＇（ＳＨＤ）１＿??．ＩＳ＾?反?ｇ?传播??巧．．．．．＂（Ｓｏ－ＷＯＡ??「．—?一?：一一?ｗｘ．４１—Ｊ［——ＩＩ?物???ＲＢＭ１?（Ｏ?Ｏ?０－０?Ｏ?Ｑ）１???Ｗｏ?，微调?ｈ＼??Ｃ〇?Ｏ?Ｏ?〇?°?°?°?〇?〇?Ｏ?Ｏ）ｖ〇??输入脑电信号??图２．２深度信念网络结构图??给定一个训练集｛（彳，以，（４，八），．．．，（４，：＾）｝，其中＃为训练样本的数量，??｛〇（，．．．／＾丨则是最上面一层ＲＢＭ的隐藏层向量，ｗ为Ｓｏｆｔｍａｘ参数，那么每一??１２??
无监督的深度学习算法［３５］。它是由多个ＲＢＭ堆叠所构成，自下而上，前一?ＲＢＭ??的隐藏层即为下一个ＲＢＭ的可见层，前一?ＲＢＭ的输出即为下一个ＲＢＭ的输??入，依此类推，逐层训练，直至最后一层。ＤＢＮ的模型结构如图２．２所示。ＤＢＮ??的训练过程可分为２步：①应用非监督的方式自下而上地对每层ＲＢＭ进行预训??练，完成初始化；②采用监督的方式（梯度下降法）对整个网络进行自上而下的微??调。??施狀（〇输出层??Ｗ??（〇。：。〇）＊ｋ??〇??０??ｒｂｍ３＇（ＳＨＤ）１＿??．ＩＳ＾?反?ｇ?传播??巧．．．．．＂（Ｓｏ－ＷＯＡ??「．—?一?：一一?ｗｘ．４１—Ｊ［——ＩＩ?物???ＲＢＭ１?（Ｏ?Ｏ?０－０?Ｏ?Ｑ）１???Ｗｏ?，微调?ｈ＼??Ｃ〇?Ｏ?Ｏ?〇?°?°?°?〇?〇?Ｏ?Ｏ）ｖ〇??输入脑电信号??图２．２深度信念网络结构图??给定一个训练集｛（彳，以，（４，八），．．．，（４，：＾）｝，其中＃为训练样本的数量，??｛〇（，．．．／＾丨则是最上面一层ＲＢＭ的隐藏层向量，ｗ为Ｓｏｆｔｍａｘ参数，那么每一??１２??
【参考文献】：
期刊论文
[1]基于卷积神经网络的P300事件相关电位分类识别[J]. 丑远婷,邱天爽,钟明军. 中国生物医学工程学报. 2018(06)
[2]Pedestrian Attributes Recognition in Surveillance Scenarios with Hierarchical Multi-Task CNN Models[J]. Wenhua Fang,Jun Chen,Ruimin Hu. 中国通信. 2018(12)
[3]基于归一化AR模型谱值的运动想像脑电识别[J]. 周瑛,罗志增. 华中科技大学学报(自然科学版). 2013(S1)
[4]直接脑控机器人接口技术[J]. 伏云发,王越超,李洪谊,徐保磊,李永程. 自动化学报. 2012(08)
[5]基于小波包能量的脑电信号特征提取方法[J]. 徐宝国,宋爱国,王爱民. 东南大学学报(自然科学版). 2010(06)
[6]脑-机接口:大脑对外信息交流的新途径[J]. 万柏坤,高扬,赵丽,綦宏志. 国外医学.生物医学工程分册. 2005(01)
[7]脑瘫研究现状[J]. 王辉. 中国康复理论与实践. 2004(05)
[8]基于小波变换的脑电图癫痫波形检测[J]. 邵晨曦,卢继军,周颢. 生物医学工程学杂志. 2002(02)
博士论文
[1]基于视觉诱发电位的脑机接口实验研究[D]. 何庆华.重庆大学 2003
硕士论文
[1]基于深层堆叠网络的脑电信号特征提取及识别[D]. 张娜.重庆邮电大学 2017
本文编号：3567190
【文章来源】：重庆邮电大学重庆市
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图２．１受限玻尔兹曼机??
无监督的深度学习算法［３５］。它是由多个ＲＢＭ堆叠所构成，自下而上，前一?ＲＢＭ??的隐藏层即为下一个ＲＢＭ的可见层，前一?ＲＢＭ的输出即为下一个ＲＢＭ的输??入，依此类推，逐层训练，直至最后一层。ＤＢＮ的模型结构如图２．２所示。ＤＢＮ??的训练过程可分为２步：①应用非监督的方式自下而上地对每层ＲＢＭ进行预训??练，完成初始化；②采用监督的方式（梯度下降法）对整个网络进行自上而下的微??调。??施狀（〇输出层??Ｗ??（〇。：。〇）＊ｋ??〇??０??ｒｂｍ３＇（ＳＨＤ）１＿??．ＩＳ＾?反?ｇ?传播??巧．．．．．＂（Ｓｏ－ＷＯＡ??「．—?一?：一一?ｗｘ．４１—Ｊ［——ＩＩ?物???ＲＢＭ１?（Ｏ?Ｏ?０－０?Ｏ?Ｑ）１???Ｗｏ?，微调?ｈ＼??Ｃ〇?Ｏ?Ｏ?〇?°?°?°?〇?〇?Ｏ?Ｏ）ｖ〇??输入脑电信号??图２．２深度信念网络结构图??给定一个训练集｛（彳，以，（４，八），．．．，（４，：＾）｝，其中＃为训练样本的数量，??｛〇（，．．．／＾丨则是最上面一层ＲＢＭ的隐藏层向量，ｗ为Ｓｏｆｔｍａｘ参数，那么每一??１２??
无监督的深度学习算法［３５］。它是由多个ＲＢＭ堆叠所构成，自下而上，前一?ＲＢＭ??的隐藏层即为下一个ＲＢＭ的可见层，前一?ＲＢＭ的输出即为下一个ＲＢＭ的输??入，依此类推，逐层训练，直至最后一层。ＤＢＮ的模型结构如图２．２所示。ＤＢＮ??的训练过程可分为２步：①应用非监督的方式自下而上地对每层ＲＢＭ进行预训??练，完成初始化；②采用监督的方式（梯度下降法）对整个网络进行自上而下的微??调。??施狀（〇输出层??Ｗ??（〇。：。〇）＊ｋ??〇??０??ｒｂｍ３＇（ＳＨＤ）１＿??．ＩＳ＾?反?ｇ?传播??巧．．．．．＂（Ｓｏ－ＷＯＡ??「．—?一?：一一?ｗｘ．４１—Ｊ［——ＩＩ?物???ＲＢＭ１?（Ｏ?Ｏ?０－０?Ｏ?Ｑ）１???Ｗｏ?，微调?ｈ＼??Ｃ〇?Ｏ?Ｏ?〇?°?°?°?〇?〇?Ｏ?Ｏ）ｖ〇??输入脑电信号??图２．２深度信念网络结构图??给定一个训练集｛（彳，以，（４，八），．．．，（４，：＾）｝，其中＃为训练样本的数量，??｛〇（，．．．／＾丨则是最上面一层ＲＢＭ的隐藏层向量，ｗ为Ｓｏｆｔｍａｘ参数，那么每一??１２??
【参考文献】：
期刊论文
[1]基于卷积神经网络的P300事件相关电位分类识别[J]. 丑远婷,邱天爽,钟明军. 中国生物医学工程学报. 2018(06)
[2]Pedestrian Attributes Recognition in Surveillance Scenarios with Hierarchical Multi-Task CNN Models[J]. Wenhua Fang,Jun Chen,Ruimin Hu. 中国通信. 2018(12)
[3]基于归一化AR模型谱值的运动想像脑电识别[J]. 周瑛,罗志增. 华中科技大学学报(自然科学版). 2013(S1)
[4]直接脑控机器人接口技术[J]. 伏云发,王越超,李洪谊,徐保磊,李永程. 自动化学报. 2012(08)
[5]基于小波包能量的脑电信号特征提取方法[J]. 徐宝国,宋爱国,王爱民. 东南大学学报(自然科学版). 2010(06)
[6]脑-机接口:大脑对外信息交流的新途径[J]. 万柏坤,高扬,赵丽,綦宏志. 国外医学.生物医学工程分册. 2005(01)
[7]脑瘫研究现状[J]. 王辉. 中国康复理论与实践. 2004(05)
[8]基于小波变换的脑电图癫痫波形检测[J]. 邵晨曦,卢继军,周颢. 生物医学工程学杂志. 2002(02)
博士论文
[1]基于视觉诱发电位的脑机接口实验研究[D]. 何庆华.重庆大学 2003
硕士论文
[1]基于深层堆叠网络的脑电信号特征提取及识别[D]. 张娜.重庆邮电大学 2017
本文编号：3567190
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3567190.html
