基于深度学习的脑机接口算法研究
发布时间：2021-10-15 23:18
脑机接口是一种独特的通信系统,该系统可以在不依赖于人体肌肉组织和神经组织的情况下实现个人意图与外部设备之间的直接交互。这种新型的人机交互系统可以有效地提高残障患者与外界的沟通能力,从而提高生活质量,其中,基于运动想象的脑机接口系统通过处理和分析采集到的人脑意识任务信号,并将其转化为相应的指令来控制外部设备,因其具有实际的医学意义,受到了国内外众多学者的关注,并成为人工智能、康复医学和计算机科学等技术领域的研究热点。脑机接口技术的应用依赖于脑电信号识别的准确率,由于脑电信号极易受到外界噪声的干扰,且现有的脑电信号处理方法经常存在信道选择依靠经验、特征工程耗时耗力、特征提取不全面等多种问题,为正确而快速的提取和分类脑电信号带来了挑战,因此,如何有效地提取能够代表大脑活动特征的信息,如何有效地训练出泛化能力良好的分类器是基于运动想象脑电数据分析的重要内容。本文立足于脑电信号的特征提取和分类识别方面展开算法研究,采用可以自主学习的深度学习算法处理脑电数据,并设计了脑电信号采集实验,全面而细致地了解并剖析了基于运动想象的脑机接口系统整个数据采集和处理的过程,主要工作内容如下:1.构建了基于卷积神...
【文章来源】：齐鲁工业大学山东省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
不同信道上的
齐鲁工业大学硕士学位论文21第3章基于CNN网络的脑电信号处理算法本章以运动想象脑电信号中电生理现象ERD/ERS的空频特性为研究基础，将CNN网络应用到BCI系统的信号处理中。CNN是一种具有高维度识别特征的层级网络，这种层级的网络结构可以在网络内部对输入进行特征提取和优化，且在处理适度变形的特征时，网络也能保持不变性，该高度的适应特性，能够很好地处理具有高维度、高复杂度的数据问题。通过CNN网络对脑电信号进行建模，提取脑电信号中具有代表性的数据特征，再结合GB分类器，提出一种基于CNN网络的二类运动想象BCI系统的脑电分析算法。3.1卷积神经网络的基本网络CNN网络是目前研究深度学习算法的一个重要内容，其本质可以看成是一个前向反馈型人工神经网络，源自人眼视觉抽象过程的启发，CNN网络中的每一个神经元可以看成是模拟人类视觉域相对应的神经元，且训练在过程中不需要大量人工处理参与。近年来，CNN以其独特的优点在很多领域都取得了广泛的应用[52]，尤其是在图像领域，经过众多学者的努力，很多经典的CNN模型，例如LeNet、AlexNet和GoogNet等模型应运而生，并在其应用领域取得很大的成功。然而，CNN模型在运动想象任务的脑电信号分类中并不像之前那样受欢迎，一个很重要的原因在于到目前为止很难找到一种有效的转换方法来表示脑电信号，进而使得脑电信号在形式上更能契合CNN处理数据的方式[45]。尽管如此，CNN还是以其强大的数据处理能力受到众多研究BCI技术学者们的关注，为了更好地研究CNN网络在BCI系统信号处理中的应用，首先需要正确的理解并掌握CNN的基本结构和原理，图3.1描述了一个基本的CNN网络结构。图3.1CNN网络的基本结构图
齐鲁工业大学硕士学位论文23池化方式有最大值池化和平均值池化两种，其中，最大值池化就是对区域中所有的数值进行比较，选取最大的数值作为此区域的输出，池化过程可以简记为：11jdown(+)KKKKKijjiNPCb=（3.6）其中，KPj表示第K层池化层层的第j个特征图，Kj为第K层的第j个池化核的乘子偏差，Kjb是对应的附加偏差，down()表示各种池化方式。通常情况下，卷积层和池化层交替总是交替出现，且交替层级的维度逐步下降,如图3.2所示，列举了一组数据依次经过一个卷积尺寸为22的卷积层和一个池化尺寸为22池化层，其中给出平均值和最大值池化方式的示例。图3.2卷积和池化的示例3.1.3全连接层全连接FC层通常在CNN网络的最后端，是一种可以对输入数据直接进行线性变换的线性计算层，前一层的每个神经元都和当前FC层中的每个神经元相连，这种相连的结构特点可以对输入的数据起到区分局部信息和整合全局类别信息的重要作用，同时，FC的作用就是将学到的特征映射到样本的标记空间中去，使得数据得以具有更大的区分性，换而言之，一个简单的FC层可以将多维向量连接成单个一维特征向量，实现分类或预测的目的。一般完整的CNN网络中会存在一个或多个FC层，目前FC层中常采用的激活函数有ReLU和sigmiod。3.2基于CNN网络的脑电分类模型3.2.1网络拓扑结构本章搭建一个多层的CNN网络模型对ECoG和EEG脑电数据进行分析，该模型由一系列不同的层组成，包括卷积层、池化层和FC层等，整个运动想象任务识别过程如图3.3所示。
【参考文献】：
期刊论文
[1]脑机接口的现状与未来[J]. 高上凯. 机器人产业. 2019(05)
[2]基于深度学习框架的多类运动想象脑电分类研究[J]. 葛荣祥,胡建中. 江苏科技大学学报(自然科学版). 2019(04)
[3]基于深度卷积网络的脑电运动想象分类方法[J]. 陈娇. 中国医疗设备. 2019(08)
[4]基于运动想象辅助的下肢康复控制系统[J]. 江雨林,谢亮,袁翀,郑慧乐,仝孟松,邓媛. 电脑与电信. 2019(04)
[5]脑机接口:跨越人类语言的鸿沟 当人类不再用语言交流[J]. 潘楷文. 世界博览. 2019(02)
[6]脑-机接口技术在脑卒中后上肢运动功能恢复中的研究进展[J]. 王慧,王春方,孙长城,陈龙,顾斌,明东,杜金刚. 国际生物医学工程杂志. 2017 (05)
[7]基于半监督学习的脑电信号特征提取及识别[J]. 张娜,唐贤伦,刘庆. 工程科学与技术. 2017(S2)
[8]基于运动想象的脑机接口算法研究[J]. 温冰冰,杜玉晓. 电子世界. 2017(07)
[9]一种新的基于小波包分解的EEG特征抽取与识别方法研究[J]. 王登,苗夺谦,王睿智. 电子学报. 2013(01)
博士论文
[1]基于运动想象的脑机接口相关算法研究[D]. 徐舫舟.山东大学 2014
硕士论文
[1]运动想象脑机交互中脑电预处理算法研究[D]. 陈健.昆明理工大学 2018
[2]基于卷积神经网络的脑电信号检测与脑机接口实现[D]. 董贤光.山东大学 2016
本文编号：3438789
【文章来源】：齐鲁工业大学山东省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
不同信道上的
齐鲁工业大学硕士学位论文21第3章基于CNN网络的脑电信号处理算法本章以运动想象脑电信号中电生理现象ERD/ERS的空频特性为研究基础，将CNN网络应用到BCI系统的信号处理中。CNN是一种具有高维度识别特征的层级网络，这种层级的网络结构可以在网络内部对输入进行特征提取和优化，且在处理适度变形的特征时，网络也能保持不变性，该高度的适应特性，能够很好地处理具有高维度、高复杂度的数据问题。通过CNN网络对脑电信号进行建模，提取脑电信号中具有代表性的数据特征，再结合GB分类器，提出一种基于CNN网络的二类运动想象BCI系统的脑电分析算法。3.1卷积神经网络的基本网络CNN网络是目前研究深度学习算法的一个重要内容，其本质可以看成是一个前向反馈型人工神经网络，源自人眼视觉抽象过程的启发，CNN网络中的每一个神经元可以看成是模拟人类视觉域相对应的神经元，且训练在过程中不需要大量人工处理参与。近年来，CNN以其独特的优点在很多领域都取得了广泛的应用[52]，尤其是在图像领域，经过众多学者的努力，很多经典的CNN模型，例如LeNet、AlexNet和GoogNet等模型应运而生，并在其应用领域取得很大的成功。然而，CNN模型在运动想象任务的脑电信号分类中并不像之前那样受欢迎，一个很重要的原因在于到目前为止很难找到一种有效的转换方法来表示脑电信号，进而使得脑电信号在形式上更能契合CNN处理数据的方式[45]。尽管如此，CNN还是以其强大的数据处理能力受到众多研究BCI技术学者们的关注，为了更好地研究CNN网络在BCI系统信号处理中的应用，首先需要正确的理解并掌握CNN的基本结构和原理，图3.1描述了一个基本的CNN网络结构。图3.1CNN网络的基本结构图
齐鲁工业大学硕士学位论文23池化方式有最大值池化和平均值池化两种，其中，最大值池化就是对区域中所有的数值进行比较，选取最大的数值作为此区域的输出，池化过程可以简记为：11jdown(+)KKKKKijjiNPCb=（3.6）其中，KPj表示第K层池化层层的第j个特征图，Kj为第K层的第j个池化核的乘子偏差，Kjb是对应的附加偏差，down()表示各种池化方式。通常情况下，卷积层和池化层交替总是交替出现，且交替层级的维度逐步下降,如图3.2所示，列举了一组数据依次经过一个卷积尺寸为22的卷积层和一个池化尺寸为22池化层，其中给出平均值和最大值池化方式的示例。图3.2卷积和池化的示例3.1.3全连接层全连接FC层通常在CNN网络的最后端，是一种可以对输入数据直接进行线性变换的线性计算层，前一层的每个神经元都和当前FC层中的每个神经元相连，这种相连的结构特点可以对输入的数据起到区分局部信息和整合全局类别信息的重要作用，同时，FC的作用就是将学到的特征映射到样本的标记空间中去，使得数据得以具有更大的区分性，换而言之，一个简单的FC层可以将多维向量连接成单个一维特征向量，实现分类或预测的目的。一般完整的CNN网络中会存在一个或多个FC层，目前FC层中常采用的激活函数有ReLU和sigmiod。3.2基于CNN网络的脑电分类模型3.2.1网络拓扑结构本章搭建一个多层的CNN网络模型对ECoG和EEG脑电数据进行分析，该模型由一系列不同的层组成，包括卷积层、池化层和FC层等，整个运动想象任务识别过程如图3.3所示。
【参考文献】：
期刊论文
[1]脑机接口的现状与未来[J]. 高上凯. 机器人产业. 2019(05)
[2]基于深度学习框架的多类运动想象脑电分类研究[J]. 葛荣祥,胡建中. 江苏科技大学学报(自然科学版). 2019(04)
[3]基于深度卷积网络的脑电运动想象分类方法[J]. 陈娇. 中国医疗设备. 2019(08)
[4]基于运动想象辅助的下肢康复控制系统[J]. 江雨林,谢亮,袁翀,郑慧乐,仝孟松,邓媛. 电脑与电信. 2019(04)
[5]脑机接口:跨越人类语言的鸿沟 当人类不再用语言交流[J]. 潘楷文. 世界博览. 2019(02)
[6]脑-机接口技术在脑卒中后上肢运动功能恢复中的研究进展[J]. 王慧,王春方,孙长城,陈龙,顾斌,明东,杜金刚. 国际生物医学工程杂志. 2017 (05)
[7]基于半监督学习的脑电信号特征提取及识别[J]. 张娜,唐贤伦,刘庆. 工程科学与技术. 2017(S2)
[8]基于运动想象的脑机接口算法研究[J]. 温冰冰,杜玉晓. 电子世界. 2017(07)
[9]一种新的基于小波包分解的EEG特征抽取与识别方法研究[J]. 王登,苗夺谦,王睿智. 电子学报. 2013(01)
博士论文
[1]基于运动想象的脑机接口相关算法研究[D]. 徐舫舟.山东大学 2014
硕士论文
[1]运动想象脑机交互中脑电预处理算法研究[D]. 陈健.昆明理工大学 2018
[2]基于卷积神经网络的脑电信号检测与脑机接口实现[D]. 董贤光.山东大学 2016
本文编号：3438789
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3438789.html
