脑波可视化技术的研究与实现

发布时间：2020-12-16 14:21

　　21世纪的重要科学技术包含了脑科学技术和计算机技术。随着脑科学技术的进步,人们对于大脑活动的认识不断地深入。近年来,人们已经能通过脑电波（Electroencephalogram,EEG）等脑波信号从脑电信号、脑磁信号等方面对于大脑活动进行直观的了解。在这其中,由于其成本的低廉性和使用的方便性,脑电波信号已经成为使用较为广泛的方式。另一方面,随着人工智能技术的理论突破,包括生成对抗网络在内的新技术被提出并迅速在各个领域中得到应用。使用人工智能中的新算法、新模型用于脑波信号分析已经成为一个方兴未艾的具有希望的领域。我们的研究旨在将脑波信号可视化,从而探究人类认识能力。文章的主要内容如下:在脑电数据集的处理中,介绍了一些传统方法,但是这些传统方法不能较好地满足需求,因此对其进行了不同程度的改进。然后介绍了本文用到的相关技术,主要包括脑机接口技术、数据可视化技术、生成对抗网络GAN等。在这其中,对脑机接口技术中的脑电波信号采集和基于脑电波信号的脑机接口进行了介绍,以癫痫治疗为例说明了脑电波信号的应用。在数据集和相关技术的基础上,训练了标准图像分类器和脑电波分类器,这样的目的是为了判别脑电波生... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

GAN-CLS结构

随着近几 年来深度 学习的研 究取得的 突破性进 展，卷积 神经网络（ConvolutionalNeuralNetwork 是，CNN）取得了国内外科研学者的热捧，尤其在计算机视觉领域。近年来，卷积神经网络广泛用于图像处理、自然语言处理、物体识别等领域。在工业应用层面，卷积神经网络应用于车流量监控、门禁系统等项目中，取得了传统方法无法实现的进展。卷积神经网络最早由 1962 年由 Huble 和 Wiesel 提出，Fukushima 等人提出了第一个卷积神经网络识别算法，并将其应用在手写字体识别。后来 Krizhevsky 在2012 年于 ImageNet 上提出 Alexnet 模型，该模型将图片分类错误率从 26%降低到15%，这一突破性进展震惊了计算机视觉领域。[26]从此以后，许多公司在卷积神经网络领域投入大量研发资源，如 Facebook、Google、Amazon 等。作为神经网络领域的重要分支，CNN 最大的特点是每层的特征都是由上一层局部区域通过卷积得到的，这个特点使得 CNN 比其它神经网络模型更适合图像特征的学习和表示，可以地减少人为构造图像特征带来的误差。典型的 CNN 的由五个层次构成：输入层、卷积层、池化层、全连接层、输出层，如图所示。

池化层

【参考文献】：
期刊论文
[1]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)

博士论文
[1]运动想象脑电模式识别算法研究[D]. 苗敏敏.东南大学 2018
[2]基于协方差特征的EEG解码及其在运动想象脑机接口系统的应用研究[D]. 谢小峰.华南理工大学 2018

硕士论文
[1]运动想象脑机接口中模式识别方法研究[D]. 葛荣祥.东南大学 2018
[2]基于RVM的脑电信号情感识别及优化[D]. 王薇蓉.太原理工大学 2018
[3]基于脑电信号的情绪识别研究[D]. 王成龙.广西大学 2018
[4]基于广义S变换和随机森林算法的癫痫脑电信号特征提取与分类研究[D]. 王宇桥.吉林大学 2018
[5]基于运动想象的脑—机接口在线异步系统研究[D]. 伍广腾.哈尔滨工业大学 2018



本文编号：2920303