腦計算機(jī)接口（Brain-Computer Interface,BCI）是允許大腦控制計算機(jī)或其他設(shè)備而不使用周圍神經(jīng)和肌肉的軟件和硬件的組合,也是一種新的交互方式。主要目標(biāo)是幫助嚴(yán)重殘疾人像普通人一樣生活,甚至完全恢復(fù)。然而,許多其他領(lǐng)域也開始對BCI技術(shù)的應(yīng)用感興趣,如娛樂,生活,游戲,軍事等。由于腦電信號通常是高維多通道的,并且信噪比較低,原始數(shù)據(jù)中能用于分析的有用信息很少,很難提取腦電信號中的本質(zhì)特征,而且它是一種具有隨機(jī)性的序列信號。卷積提取抽象特征的能力極強(qiáng),同時卷積操作還能增強(qiáng)腦電信號的信噪比;另外,腦電信號的時序信息經(jīng)常被忽視,采用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）挖掘數(shù)據(jù)間的聯(lián)系,實現(xiàn)對腦電信號的充分利用。所以本文確定以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）和RNN為基礎(chǔ)研究腦電信號特征提取與分類。針對RNN容易導(dǎo)致梯度消失的問題,通過引入門結(jié)構(gòu)的門限遞歸單元（Gated Recurrent Unit,GRU）,使其具有較長的“記憶力”;另外針對網(wǎng)絡(luò)發(fā)生過擬合的問題,采用隨機(jī)隱退思想的Dr... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１受限玻爾茲曼機(jī)??

無監(jiān)督的深度學(xué)習(xí)算法［３５］。它是由多個ＲＢＭ堆疊所構(gòu)成，自下而上，前一?ＲＢＭ??的隱藏層即為下一個ＲＢＭ的可見層，前一?ＲＢＭ的輸出即為下一個ＲＢＭ的輸??入，依此類推，逐層訓(xùn)練，直至最后一層。ＤＢＮ的模型結(jié)構(gòu)如圖２．２所示。ＤＢＮ??的訓(xùn)練過程可分為２步：①應(yīng)用非監(jiān)督的方式自下而上地對每層ＲＢＭ進(jìn)行預(yù)訓(xùn)??練，完成初始化；②采用監(jiān)督的方式（梯度下降法）對整個網(wǎng)絡(luò)進(jìn)行自上而下的微??調(diào)。??施狀（〇輸出層??Ｗ??（〇。：。〇）＊ｋ??〇??０??ｒｂｍ３＇（ＳＨＤ）１＿??．ＩＳ＾?反?ｇ?傳播??巧．．．．．＂（Ｓｏ－ＷＯＡ??「．—?一?：一一?ｗｘ．４１—Ｊ［——ＩＩ?物???ＲＢＭ１?（Ｏ?Ｏ?０－０?Ｏ?Ｑ）１???Ｗｏ?，微調(diào)?ｈ＼??Ｃ〇?Ｏ?Ｏ?〇?°?°?°?〇?〇?Ｏ?Ｏ）ｖ〇??輸入腦電信號??圖２．２深度信念網(wǎng)絡(luò)結(jié)構(gòu)圖??給定一個訓(xùn)練集｛（彳，以，（４，八），．．．，（４，：＾）｝，其中＃為訓(xùn)練樣本的數(shù)量，??｛〇（，．．．／＾丨則是最上面一層ＲＢＭ的隱藏層向量，ｗ為Ｓｏｆｔｍａｘ參數(shù)，那么每一??１２??

無監(jiān)督的深度學(xué)習(xí)算法［３５］。它是由多個ＲＢＭ堆疊所構(gòu)成，自下而上，前一?ＲＢＭ??的隱藏層即為下一個ＲＢＭ的可見層，前一?ＲＢＭ的輸出即為下一個ＲＢＭ的輸??入，依此類推，逐層訓(xùn)練，直至最后一層。ＤＢＮ的模型結(jié)構(gòu)如圖２．２所示。ＤＢＮ??的訓(xùn)練過程可分為２步：①應(yīng)用非監(jiān)督的方式自下而上地對每層ＲＢＭ進(jìn)行預(yù)訓(xùn)??練，完成初始化；②采用監(jiān)督的方式（梯度下降法）對整個網(wǎng)絡(luò)進(jìn)行自上而下的微??調(diào)。??施狀（〇輸出層??Ｗ??（〇。：。〇）＊ｋ??〇??０??ｒｂｍ３＇（ＳＨＤ）１＿??．ＩＳ＾?反?ｇ?傳播??巧．．．．．＂（Ｓｏ－ＷＯＡ??「．—?一?：一一?ｗｘ．４１—Ｊ［——ＩＩ?物???ＲＢＭ１?（Ｏ?Ｏ?０－０?Ｏ?Ｑ）１???Ｗｏ?，微調(diào)?ｈ＼??Ｃ〇?Ｏ?Ｏ?〇?°?°?°?〇?〇?Ｏ?Ｏ）ｖ〇??輸入腦電信號??圖２．２深度信念網(wǎng)絡(luò)結(jié)構(gòu)圖??給定一個訓(xùn)練集｛（彳，以，（４，八），．．．，（４，：＾）｝，其中＃為訓(xùn)練樣本的數(shù)量，??｛〇（，．．．／＾丨則是最上面一層ＲＢＭ的隱藏層向量，ｗ為Ｓｏｆｔｍａｘ參數(shù)，那么每一??１２??

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的P300事件相關(guān)電位分類識別[J]. 丑遠(yuǎn)婷,邱天爽,鐘明軍.  中國生物醫(yī)學(xué)工程學(xué)報. 2018(06)
[2]Pedestrian Attributes Recognition in Surveillance Scenarios with Hierarchical Multi-Task CNN Models[J]. Wenhua Fang,Jun Chen,Ruimin Hu.  中國通信. 2018(12)
[3]基于歸一化AR模型譜值的運動想像腦電識別[J]. 周瑛,羅志增.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2013(S1)
[4]直接腦控機(jī)器人接口技術(shù)[J]. 伏云發(fā),王越超,李洪誼,徐保磊,李永程.  自動化學(xué)報. 2012(08)
[5]基于小波包能量的腦電信號特征提取方法[J]. 徐寶國,宋愛國,王愛民.  東南大學(xué)學(xué)報(自然科學(xué)版). 2010(06)
[6]腦-機(jī)接口:大腦對外信息交流的新途徑[J]. 萬柏坤,高揚,趙麗,綦宏志.  國外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊. 2005(01)
[7]腦癱研究現(xiàn)狀[J]. 王輝.  中國康復(fù)理論與實踐. 2004(05)
[8]基于小波變換的腦電圖癲癇波形檢測[J]. 邵晨曦,盧繼軍,周顥.  生物醫(yī)學(xué)工程學(xué)雜志. 2002(02)

博士論文
[1]基于視覺誘發(fā)電位的腦機(jī)接口實驗研究[D]. 何慶華.重慶大學(xué) 2003

碩士論文
[1]基于深層堆疊網(wǎng)絡(luò)的腦電信號特征提取及識別[D]. 張娜.重慶郵電大學(xué) 2017



本文編號：3567190