基于迁移学习的运动想象脑电信号分类算法研究

发布时间：2023-04-25 05:58

　　脑机接口(brain-computer interface,BCI)能够不依赖于外周神经和肌肉组织,实现人脑对外界设备的直接控制,被广泛应用于医疗康复、教育、智能家居等领域。脑电图(electroencephalogram,EEG)是应用电极在头皮表面记录的自发脑电活动。然而由于EEG信号的非平稳性等特点,传统的脑机接口系统往往需要当前用户执行耗时的训练阶段来获取足够多的标注样本,进而建立可靠的分类模型。但是较长的训练时间加重了用户的负担,降低了脑机接口系统的实用性。运动想象脑电是脑机接口中一种常用的脑电信号,本文引入迁移学习思想用于减少运动想象脑机接口系统所需的训练时间。一般而言,可以通过迁移学习利用其他受试者的有标签EEG样本辅助当前受试者的分类模型训练。在这种学习模式下,无需获取当前受试者的大量有标签EEG样本就能够得到性能良好的分类器,从而减少了当前受试者耗费的训练时间。目前,大多数应用于脑机接口中的迁移学习算法仍然需要当前受试者的少量有标签EEG样本。与此不同,本文提出的算法只利用当前受试者的无标签EEG样本进行知识迁移。本文的主要研究工作如下:(1)提出一种黎曼几何框架下流...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 脑机接口技术概述
        1.2.1 脑机接口系统组成
        1.2.2 脑机接口中常用的脑电信号
        1.2.3 脑机接口系统的分类
        1.2.4 脑机接口系统面临的问题
    1.3 论文研究内容与结构安排
第二章 迁移学习及其在脑机接口中的应用
    2.1 迁移学习简介
        2.1.1 迁移学习与传统机器学习的区别
        2.1.2 迁移学习的定义
        2.1.3 迁移学习的分类
    2.2 迁移学习在脑机接口中的应用
    2.3 本章小结
第三章 黎曼几何框架下流形嵌入分布对齐的迁移学习
    3.1 黎曼几何框架
        3.1.1 黎曼几何简介
        3.1.2 用于黎曼几何的EEG特征
    3.2 黎曼几何框架下流形嵌入分布对齐的迁移学习算法
        3.2.1 整体思路
        3.2.2 黎曼切平面映射
        3.2.3 流形特征变换
        3.2.4 集成分布对齐的分类器
        3.2.5 算法步骤
    3.3 实验与分析
        3.3.1 实验数据及预处理
        3.3.2 实验设计与结果分析
    3.4 本章小结
第四章 基于卷积神经网络的迁移学习算法
    4.1 卷积神经网络及其在脑机接口中的应用
    4.2 基于卷积神经网络的迁移学习算法
        4.2.1 浅层卷积神经网络的网络结构
        4.2.2 基于浅层卷积神经网络的迁移学习算法
        4.2.3 迁移模型的训练算法
    4.3 实验与分析
        4.3.1 实验数据与预处理
        4.3.2 实验设计
        4.3.3 实验结果与讨论
    4.4 本章小结
总结与展望
    总结
    展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3800848