基于半监督学习的脑电信号特征提取及识别

发布时间：2018-04-05 21:44

  本文选题：深层堆叠网络　切入点：半监督学习　出处：《工程科学与技术》2017年S2期

【摘要】：针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络(DSN)的半监督特征学习方法。该方法将受限玻尔兹曼机(RBM)的无监督学习与基于批量模式的梯度下降算法相结合,包括预训练和微调两个阶段。首先,采用对比散度(CD)训练算法对多个RBM进行并行的无监督训练,实现对各个通道脑电信号的独立特征提取,避免各通道脑电信号之间的相互干扰。然后,将训练得到的参数用于DSN的输入权值初始化,再采用基于批量模式的梯度下降法对网络进行监督微调,对多个通道的脑电信号进行有效的特征融合,减小特征信息丢失。最后,将所提方法用于运动想象脑电信号特征的提取及识别。实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式(CSP)和深度信念网络(DBN)等算法,该方法可用于提高脑-机接口(BCI)系统中脑电信号的识别正确率。
[Abstract]:A semi-supervised feature learning method based on deep stacking network (DSNs) is proposed to solve the problem that supervised learning can easily lead to waste of unlabeled samples and information loss caused by manual feature extraction.This method combines the unsupervised learning of constrained Boltzmann machine (RBM) with the gradient descent algorithm based on batch pattern, which includes two stages: pre-training and fine-tuning.Firstly, parallel unsupervised RBM training algorithm is used to extract the independent features of each channel EEG signal to avoid the interference between each channel EEG signal.Then, the trained parameters are used to initialize the input weights of DSN, and then the gradient descent method based on batch mode is used to monitor and fine-tune the network, and the EEG signals of multiple channels are fused effectively to reduce the loss of feature information.Finally, the proposed method is applied to feature extraction and recognition of motion imagination EEG signal.The experimental results show that the proposed method can effectively extract the features of EEG signals by making full use of the hidden information in unlabeled samples, and the recognition results are superior to those of common space pattern (CSP) and depth belief network (DBN).This method can be used to improve the accuracy of EEG recognition in BCI system.
【作者单位】： 重庆邮电大学自动化学院;
【基金】：国家自然科学基金资助项目(61673079) 重庆市基础科学与前沿技术研究项目(cstc2016jcyj A1919)
【分类号】：R318;TN911.7

【相似文献】

中国期刊全文数据库 前10条

1 ;脑电信号处理的研究取得阶段性成果[J];河北师范大学学报;1987年01期

2 李志瑞;张文杰;;通用脑电信号处理——微机系统初探[J];河北师范大学学报;1988年Z1期

3 孟欣，欧阳楷;脑电信号的几个非线性动力学分析方法[J];北京生物医学工程;1997年03期

4 吴小培,冯焕清,周荷琴,王涛;独立分量分析及其在脑电信号预处理中的应用[J];北京生物医学工程;2001年01期

5 李英远,周卫东;径向基函数神经网络在脑电信号建模中的应用[J];山东生物医学工程;2002年02期

6 刘大路,江朝晖,冯焕清,王聪;基于脑电信号时空分布信息的思维特征研究[J];北京生物医学工程;2004年02期

7 许崇涛,沈民奋,李慧,朱国平;双谱分析方法在脑电信号分析中的应用[J];中国行为医学科学;2004年03期

8 汤晓军,宋卓,杨卓,张涛;双任务事件中脑电信号的熵计算(英文)[J];生物物理学报;2005年05期

9 蒋辰伟;章悦;曹洋;朱国行;顾凡及;王斌;;脑死亡与脑昏迷脑电信号的复杂度研究[J];生物物理学报;2008年02期

10 李谷;范影乐;庞全;;基于排列组合熵的脑电信号睡眠分期研究[J];生物医学工程学杂志;2009年04期

中国重要会议论文全文数据库 前10条

1 薛蕴全;王秋英;王宏;;脑电信号的动态时空响应拓扑图[A];中国仪器仪表学会第三届青年学术会议论文集（上）[C];2001年

2 王裕清;粱平;郭付清;张登攀;;脑电信号诊断专家系统的研究[A];中国生理学会第21届全国代表大会暨学术会议论文摘要汇编[C];2002年

3 朱林剑;包海涛;孙守林;梁丰;;新型脑电信号采集方法与应用研究[A];大连理工大学生物医学工程学术论文集（第2卷）[C];2005年

4 许涛;朱林剑;包海涛;;基于思维脑电信号的假手的研究[A];提高全民科学素质、建设创新型国家——2006中国科协年会论文集（下册）[C];2006年

5 李爱新;孙铁;郭炎峰;;基于人工神经网络的脑电信号模式分类[A];自动化技术与冶金流程节能减排——全国冶金自动化信息网2008年会论文集[C];2008年

6 童珊;黄华;陈槐卿;;混沌理论在脑电信号分析中的应用[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年

7 李凌;曾庆宁;尧德中;;利用两级抗交叉串扰自适应滤波器提取诱发脑电信号[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年

8 葛家怡;周鹏;王明时;;睡眠脑电信号样本熵的研究[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（下册）[C];2007年

9 李丽君;黄思娟;吴效明;熊冬生;;基于运动想象的脑电信号特征提取与分类[A];中国仪器仪表学会医疗仪器分会2010两岸四地生物医学工程学术年会论文集[C];2010年

10 葛家怡;周鹏;王明时;;睡眠脑电信号样本熵的研究[A];天津市生物医学工程学会2007年学术年会论文摘要集[C];2007年

中国重要报纸全文数据库 前1条

1 张文清　记者 王春;意念控制车速及左右转弯前行[N];科技日报;2008年

中国博士学位论文全文数据库 前10条

1 彭宏;普适化脑电信息感知关键问题的研究[D];兰州大学;2015年

2 吴玉鹏;AR谱在皮层痫样脑电信号分析应用[D];河北医科大学;2015年

3 马小飞;认知任务下的脑电动力学分析[D];南京大学;2017年

4 吴畏;基于统计建模的多导联脑电信号时空建模方法研究[D];清华大学;2012年

5 孙宇舸;脑—机接口系统中脑电信号处理方法的研究[D];东北大学;2012年

6 周群;脑电信号同步：方法及应用研究[D];电子科技大学;2009年

7 赵丽;基于脑电信号的脑-机接口技术研究[D];天津大学;2004年

8 李春胜;脑电信号混沌特性的研究与应用[D];东北大学;2011年

9 欧阳高翔;癫痫脑电信号的非线性特征识别与分析[D];燕山大学;2010年

10 缪晓波;基于脑电信号的认知动力学系统研究——线性/非线性方法及动态时—频—空分析[D];重庆大学;2004年

中国硕士学位论文全文数据库 前10条

1 于洪;基于脑电信号的警觉度估计[D];上海交通大学;2007年

2 蒋洁;基于高性能计算的脑电信号分析[D];燕山大学;2010年

3 张志琴;脑电信号的复杂性分析[D];中南大学;2009年

4 许凤娟;脑电信号采集与分析系统的设计[D];长春理工大学;2011年

5 曹铭;意识障碍患者脑电信号的非线性动力学评价分析[D];杭州电子科技大学;2012年

6 薛吉星;多通道脑电信号采集与处理系统研究[D];华南理工大学;2015年

7 刘静;基于加权排序熵的多通道脑电信号同步算法研究[D];燕山大学;2015年

8 陈泽涛;基于脑电信号分析的AD早期评估系统的设计与实现[D];燕山大学;2015年

9 王欢;基于非平稳时间序列分析方法的脑电信号模式识别[D];苏州大学;2015年

10 王琼颖;脑电信号的非线性动力学分析及其在睡眠分期中的应用[D];哈尔滨工业大学;2015年

，

本文编号：1716622