基于自适应学习率深度堆叠网络的脑电信号识别方法研究

发布时间：2021-03-25 01:00

　　人机交互是人工智能的重要组成环节,大脑与机器的交互是人机交互中最具有挑战性的一类。脑机接口（brain-computer interface,BCI）直接将人脑与机器进行互相交流,在许多领域具有发展潜力。由于脑电信号（Electroencephalogram,EEG）获取比较困难,信号本身具有非线性、非平稳性等特点,因此,如何提取EEG并将其应用到实际应用中具有重要意义。过去三十年,该领域学者通过时频分析、非线性分解等方法获得较大的进步。近十年,深度学习的兴起使脑电信号的特征提取和识别得到了新的突破,本文在分析现有常见的几种方法的基础上,采用改进的深度神经网络来分析并解构EEG。本文首先对现有常见的几种深度学习EEG处理方法进行分析,包括深度信念网络（Deep Belief Network,DBN）、降噪自动编码机（Denoising Auto-encoder,DAE）、卷积神经网络（Convolutional Neural Network,CNN）等。通过分析上述方法,并考虑到脑电数据集规模较小,采用深度堆叠网络（Deep Stacking Network,DSN）进行改进实验,针对... 

【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】：

BCI系统示意图

重庆邮电大学硕士学位论文第3章基于自适应学习率深度堆叠网络的脑电信号识别24图3.2SADSN顶层重构误差的反向传播图3.2显示了SADSN网络中输出层的错误反向传播过程。在图3.2中，l1idy表示dth训练样本下的最后隐藏层中的ith神经元的输入状态，W表示输出层。最顶层隐藏层的输出权重为全连接层，S表示输出层的输入。ljdy和ljdy分别表示dth训练样本的输出层中thj神经元的实际输出和期望输出。误差可以表示为lldjdjde=yy，损失函数可以定义为：2112DddLe==(3.7)损失函数对权重的导数为：1(1)()ljdjdijlijjdjdijijljdijjdLLeysWeysWesy==(3.8)在上式中，11()(1)11xxxee=(3.9)在公式(3.9)中，权重更新中的校准过程是：1()ljdjjdjkLeSyW=(3.10)SADSN的预训练过程使用固定学习速率为每个RBM执行无监督学习，以提取更多输入信息特征。在不失一般性的前提下，Sigmoid函数的上和下渐近线设置为LA和HA，0if和1if分别表示视觉层的输入信息和重建状态，并用0if和1if分别表示隐藏层的状态。Gibbs采样过程中的可见层和隐藏层的状态表示如下001()()mjLHLjjijifAAAbfW==++(3.11)

重庆邮电大学硕士学位论文第3章基于自适应学习率深度堆叠网络的脑电信号识别27脑电数据经过采集、放大和过滤后，通过蓝牙传输到计算机。EmotivPRO录制软件(图3.5)将显示和记录EEG数据。图3.3Emotiv脑电采集仪配套设备AF3AF4F7F8F3F4FC5FC6T7T8CMSDRLP7P8O1O2图3.4Emotiv脑电极安放位置图3.5EmotivPro录制软件界面采集数据实验选取7个受试者进行，所有受试者都是年龄介于22到26岁的无脑部疾病男性学生。对于每个受试者，主要任务是响应计算机屏幕上的箭头做左


本文编号：3098728