21世紀的重要科學技術包含了腦科學技術和計算機技術。隨著腦科學技術的進步,人們對于大腦活動的認識不斷地深入。近年來,人們已經能通過腦電波（Electroencephalogram,EEG）等腦波信號從腦電信號、腦磁信號等方面對于大腦活動進行直觀的了解。在這其中,由于其成本的低廉性和使用的方便性,腦電波信號已經成為使用較為廣泛的方式。另一方面,隨著人工智能技術的理論突破,包括生成對抗網絡在內的新技術被提出并迅速在各個領域中得到應用。使用人工智能中的新算法、新模型用于腦波信號分析已經成為一個方興未艾的具有希望的領域。我們的研究旨在將腦波信號可視化,從而探究人類認識能力。文章的主要內容如下:在腦電數據集的處理中,介紹了一些傳統(tǒng)方法,但是這些傳統(tǒng)方法不能較好地滿足需求,因此對其進行了不同程度的改進。然后介紹了本文用到的相關技術,主要包括腦機接口技術、數據可視化技術、生成對抗網絡GAN等。在這其中,對腦機接口技術中的腦電波信號采集和基于腦電波信號的腦機接口進行了介紹,以癲癇治療為例說明了腦電波信號的應用。在數據集和相關技術的基礎上,訓練了標準圖像分類器和腦電波分類器,這樣的目的是為了判別腦電波生... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：62 頁

【學位級別】：碩士

【部分圖文】：

GAN-CLS結構

隨著近幾 年來深度 學習的研 究取得的 突破性進 展，卷積 神經網絡（ConvolutionalNeuralNetwork 是，CNN）取得了國內外科研學者的熱捧，尤其在計算機視覺領域。近年來，卷積神經網絡廣泛用于圖像處理、自然語言處理、物體識別等領域。在工業(yè)應用層面，卷積神經網絡應用于車流量監(jiān)控、門禁系統(tǒng)等項目中，取得了傳統(tǒng)方法無法實現(xiàn)的進展。卷積神經網絡最早由 1962 年由 Huble 和 Wiesel 提出，F(xiàn)ukushima 等人提出了第一個卷積神經網絡識別算法，并將其應用在手寫字體識別。后來 Krizhevsky 在2012 年于 ImageNet 上提出 Alexnet 模型，該模型將圖片分類錯誤率從 26%降低到15%，這一突破性進展震驚了計算機視覺領域。[26]從此以后，許多公司在卷積神經網絡領域投入大量研發(fā)資源，如 Facebook、Google、Amazon 等。作為神經網絡領域的重要分支，CNN 最大的特點是每層的特征都是由上一層局部區(qū)域通過卷積得到的，這個特點使得 CNN 比其它神經網絡模型更適合圖像特征的學習和表示，可以地減少人為構造圖像特征帶來的誤差。典型的 CNN 的由五個層次構成：輸入層、卷積層、池化層、全連接層、輸出層，如圖所示。

池化層

【參考文獻】：
期刊論文
[1]基于卷積神經網絡的腦電情緒識別研究[J]. 張俊曉,薄華.  現(xiàn)代計算機(專業(yè)版). 2018(23)

博士論文
[1]運動想象腦電模式識別算法研究[D]. 苗敏敏.東南大學 2018
[2]基于協(xié)方差特征的EEG解碼及其在運動想象腦機接口系統(tǒng)的應用研究[D]. 謝小峰.華南理工大學 2018

碩士論文
[1]運動想象腦機接口中模式識別方法研究[D]. 葛榮祥.東南大學 2018
[2]基于RVM的腦電信號情感識別及優(yōu)化[D]. 王薇蓉.太原理工大學 2018
[3]基于腦電信號的情緒識別研究[D]. 王成龍.廣西大學 2018
[4]基于廣義S變換和隨機森林算法的癲癇腦電信號特征提取與分類研究[D]. 王宇橋.吉林大學 2018
[5]基于運動想象的腦—機接口在線異步系統(tǒng)研究[D]. 伍廣騰.哈爾濱工業(yè)大學 2018



本文編號：2920303