21世紀(jì)的重要科學(xué)技術(shù)包含了腦科學(xué)技術(shù)和計(jì)算機(jī)技術(shù)。隨著腦科學(xué)技術(shù)的進(jìn)步,人們對(duì)于大腦活動(dòng)的認(rèn)識(shí)不斷地深入。近年來,人們已經(jīng)能通過腦電波（Electroencephalogram,EEG）等腦波信號(hào)從腦電信號(hào)、腦磁信號(hào)等方面對(duì)于大腦活動(dòng)進(jìn)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(hào)已經(jīng)成為使用較為廣泛的方式。另一方面,隨著人工智能技術(shù)的理論突破,包括生成對(duì)抗網(wǎng)絡(luò)在內(nèi)的新技術(shù)被提出并迅速在各個(gè)領(lǐng)域中得到應(yīng)用。使用人工智能中的新算法、新模型用于腦波信號(hào)分析已經(jīng)成為一個(gè)方興未艾的具有希望的領(lǐng)域。我們的研究旨在將腦波信號(hào)可視化,從而探究人類認(rèn)識(shí)能力。文章的主要內(nèi)容如下:在腦電數(shù)據(jù)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(duì)其進(jìn)行了不同程度的改進(jìn)。然后介紹了本文用到的相關(guān)技術(shù),主要包括腦機(jī)接口技術(shù)、數(shù)據(jù)可視化技術(shù)、生成對(duì)抗網(wǎng)絡(luò)GAN等。在這其中,對(duì)腦機(jī)接口技術(shù)中的腦電波信號(hào)采集和基于腦電波信號(hào)的腦機(jī)接口進(jìn)行了介紹,以癲癇治療為例說明了腦電波信號(hào)的應(yīng)用。在數(shù)據(jù)集和相關(guān)技術(shù)的基礎(chǔ)上,訓(xùn)練了標(biāo)準(zhǔn)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(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

GAN-CLS結(jié)構(gòu)

隨著近幾 年來深度 學(xué)習(xí)的研 究取得的 突破性進(jìn) 展，卷積 神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork 是，CNN）取得了國(guó)內(nèi)外科研學(xué)者的熱捧，尤其在計(jì)算機(jī)視覺領(lǐng)域。近年來，卷積神經(jīng)網(wǎng)絡(luò)廣泛用于圖像處理、自然語言處理、物體識(shí)別等領(lǐng)域。在工業(yè)應(yīng)用層面，卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于車流量監(jiān)控、門禁系統(tǒng)等項(xiàng)目中，取得了傳統(tǒng)方法無法實(shí)現(xiàn)的進(jìn)展。卷積神經(jīng)網(wǎng)絡(luò)最早由 1962 年由 Huble 和 Wiesel 提出，F(xiàn)ukushima 等人提出了第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別算法，并將其應(yīng)用在手寫字體識(shí)別。后來 Krizhevsky 在2012 年于 ImageNet 上提出 Alexnet 模型，該模型將圖片分類錯(cuò)誤率從 26%降低到15%，這一突破性進(jìn)展震驚了計(jì)算機(jī)視覺領(lǐng)域。[26]從此以后，許多公司在卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域投入大量研發(fā)資源，如 Facebook、Google、Amazon 等。作為神經(jīng)網(wǎng)絡(luò)領(lǐng)域的重要分支，CNN 最大的特點(diǎn)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(gè)特點(diǎn)使得 CNN 比其它神經(jīng)網(wǎng)絡(luò)模型更適合圖像特征的學(xué)習(xí)和表示，可以地減少人為構(gòu)造圖像特征帶來的誤差。典型的 CNN 的由五個(gè)層次構(gòu)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(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的腦電情緒識(shí)別研究[J]. 張俊曉,薄華.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(23)

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

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



本文編號(hào)：2920303