深度線性判別分析用于兩級腦控字符拼寫解碼
發(fā)布時間：2021-01-12 07:28
為了充分利用視聽覺感知通道,實現(xiàn)高效的腦控字符拼寫,提出一種基于區(qū)域的兩級拼寫范式。該范式的第一級基于運(yùn)動視覺誘發(fā)電位進(jìn)行目標(biāo)區(qū)域選擇,并引入碼分多址方法進(jìn)行區(qū)域編碼,以提高其選擇速率;第二級基于混合運(yùn)動視覺誘發(fā)電位和聽覺P300對目標(biāo)字符進(jìn)行編碼,充分利用視聽覺混合效應(yīng),改善目標(biāo)字符選擇的準(zhǔn)確率。為了對采集的腦電信號進(jìn)行有效的目標(biāo)字符解碼,提出一種結(jié)合深度線性判別分析的腦電信號分類識別算法。實驗結(jié)果表明,深度線性判別分析算法在兩級腦電信號的分類識別中平均分類準(zhǔn)確率分別為61.7%和74%,明顯高于傳統(tǒng)方法和兩種卷積神經(jīng)網(wǎng)絡(luò)方法的準(zhǔn)確率。因此,該算法可有效地改善視聽混合誘發(fā)兩級腦機(jī)接口的指令解碼性能。
【文章來源】：西安電子科技大學(xué)學(xué)報. 2020,47(04)北大核心
【文章頁數(shù)】：8 頁
【部分圖文】：
刺激范式
在文中提出的兩級拼寫范式中，第一級基于mVEP進(jìn)行目標(biāo)區(qū)域選擇，并引入CDMA的方法對各區(qū)域進(jìn)行編碼。一個典型的mVEP特征波形具有P1、N2、P2成分，其中N2為mVEP最主要的特異性成分，主要與頂葉、顳葉和枕葉這些腦區(qū)的神經(jīng)活動有關(guān)[13]，這也是文中選取10個重要電極的依據(jù)。圖2(a）為所有被試者關(guān)注的目標(biāo)區(qū)域為A-E時3個連續(xù)試次在PO6電極的腦電時域波形的疊加平均結(jié)果。理論上，按照圖1(c）的規(guī)則，該區(qū)域?qū)?yīng)的編碼為1-0-1，即第一個和第三個試次中有明顯的mVEP特征波形。實際上，圖2(a）表明，第一個試次和第三個試次均有明顯的P1-N2-P2成分，但文中所有的事件相關(guān)電位（Event Related Potential,ERP）成分出現(xiàn)的時間均比其他文獻(xiàn)中晚大約100ms，這是由于實驗中所有刺激在發(fā)送觸發(fā)信號后100ms才開始。第二級基于混合mVEP和P300進(jìn)行目標(biāo)字符選擇。圖2(b）為所有被試第二級目標(biāo)和非目標(biāo)刺激誘發(fā)腦電信號在Pz電極的時域波形的疊加平均。圖2(b）表明，目標(biāo)刺激誘發(fā)腦電信號中有明顯的P1-N2-P3成分，與非目標(biāo)刺激誘發(fā)的腦電信號具有較好的可區(qū)分性。因此，文中提出的兩級拼寫范式合理可行。
2.2.2 網(wǎng)絡(luò)參數(shù)在DeepLDA中采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該部分結(jié)構(gòu)來源于文獻(xiàn)[5]，如圖3所示。采用10個電極，0～500ms的腦電數(shù)據(jù)（采樣頻率為100Hz），即輸入為10×50。為了避免時域和空域信息的混雜，采用一維卷積核，圖中括號內(nèi)為卷積核的大小。先通過L1對腦電信號進(jìn)行空域特征提取，再通過L2進(jìn)行時域特征提取。網(wǎng)絡(luò)的具體參數(shù)如圖3所示，其中，L0為輸入層，L1、L2為卷積層，L3為全連接層，L4為SVM輸出層。“5@1×50”表示5個特征圖，每個特征圖的大小為1×50。文中算法的運(yùn)行環(huán)境基于keras框架，并將theano作為后端。
【參考文獻(xiàn)】：
期刊論文
[1]基于3D卷積神經(jīng)網(wǎng)絡(luò)的IR-BCI腦電視頻解碼研究[J]. 官金安,汪鷺汐,趙瑞娟,李東閣,吳歡. 中南民族大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[2]一種紅外熱圖像目標(biāo)區(qū)域分割的深度學(xué)習(xí)算法[J]. 朱莉,趙俊,傅應(yīng)鍇,張晶,沈惠,張守峰. 西安電子科技大學(xué)學(xué)報. 2019(04)
[3]一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)SAR目標(biāo)識別算法[J]. 許強(qiáng),李偉,占榮輝,鄒鯤. 西安電子科技大學(xué)學(xué)報. 2018(05)
博士論文
[1]視聽覺腦機(jī)接口及其臨床應(yīng)用研究[D]. 王斐.華南理工大學(xué) 2017
碩士論文
[1]基于mVEP的腦—機(jī)接口關(guān)鍵技術(shù)研究[D]. 陳瑞.電子科技大學(xué) 2015
本文編號：2972426
【文章來源】：西安電子科技大學(xué)學(xué)報. 2020,47(04)北大核心
【文章頁數(shù)】：8 頁
【部分圖文】：
刺激范式
在文中提出的兩級拼寫范式中，第一級基于mVEP進(jìn)行目標(biāo)區(qū)域選擇，并引入CDMA的方法對各區(qū)域進(jìn)行編碼。一個典型的mVEP特征波形具有P1、N2、P2成分，其中N2為mVEP最主要的特異性成分，主要與頂葉、顳葉和枕葉這些腦區(qū)的神經(jīng)活動有關(guān)[13]，這也是文中選取10個重要電極的依據(jù)。圖2(a）為所有被試者關(guān)注的目標(biāo)區(qū)域為A-E時3個連續(xù)試次在PO6電極的腦電時域波形的疊加平均結(jié)果。理論上，按照圖1(c）的規(guī)則，該區(qū)域?qū)?yīng)的編碼為1-0-1，即第一個和第三個試次中有明顯的mVEP特征波形。實際上，圖2(a）表明，第一個試次和第三個試次均有明顯的P1-N2-P2成分，但文中所有的事件相關(guān)電位（Event Related Potential,ERP）成分出現(xiàn)的時間均比其他文獻(xiàn)中晚大約100ms，這是由于實驗中所有刺激在發(fā)送觸發(fā)信號后100ms才開始。第二級基于混合mVEP和P300進(jìn)行目標(biāo)字符選擇。圖2(b）為所有被試第二級目標(biāo)和非目標(biāo)刺激誘發(fā)腦電信號在Pz電極的時域波形的疊加平均。圖2(b）表明，目標(biāo)刺激誘發(fā)腦電信號中有明顯的P1-N2-P3成分，與非目標(biāo)刺激誘發(fā)的腦電信號具有較好的可區(qū)分性。因此，文中提出的兩級拼寫范式合理可行。
2.2.2 網(wǎng)絡(luò)參數(shù)在DeepLDA中采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該部分結(jié)構(gòu)來源于文獻(xiàn)[5]，如圖3所示。采用10個電極，0～500ms的腦電數(shù)據(jù)（采樣頻率為100Hz），即輸入為10×50。為了避免時域和空域信息的混雜，采用一維卷積核，圖中括號內(nèi)為卷積核的大小。先通過L1對腦電信號進(jìn)行空域特征提取，再通過L2進(jìn)行時域特征提取。網(wǎng)絡(luò)的具體參數(shù)如圖3所示，其中，L0為輸入層，L1、L2為卷積層，L3為全連接層，L4為SVM輸出層。“5@1×50”表示5個特征圖，每個特征圖的大小為1×50。文中算法的運(yùn)行環(huán)境基于keras框架，并將theano作為后端。
【參考文獻(xiàn)】：
期刊論文
[1]基于3D卷積神經(jīng)網(wǎng)絡(luò)的IR-BCI腦電視頻解碼研究[J]. 官金安,汪鷺汐,趙瑞娟,李東閣,吳歡. 中南民族大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[2]一種紅外熱圖像目標(biāo)區(qū)域分割的深度學(xué)習(xí)算法[J]. 朱莉,趙俊,傅應(yīng)鍇,張晶,沈惠,張守峰. 西安電子科技大學(xué)學(xué)報. 2019(04)
[3]一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)SAR目標(biāo)識別算法[J]. 許強(qiáng),李偉,占榮輝,鄒鯤. 西安電子科技大學(xué)學(xué)報. 2018(05)
博士論文
[1]視聽覺腦機(jī)接口及其臨床應(yīng)用研究[D]. 王斐.華南理工大學(xué) 2017
碩士論文
[1]基于mVEP的腦—機(jī)接口關(guān)鍵技術(shù)研究[D]. 陳瑞.電子科技大學(xué) 2015
本文編號：2972426
本文鏈接：http://sikaile.net/kejilunwen/xinxigongchenglunwen/2972426.html
最近更新
教材專著
