人機交互是人工智能的重要組成環(huán)節(jié),大腦與機器的交互是人機交互中最具有挑戰(zhàn)性的一類。腦機接口（brain-computer interface,BCI）直接將人腦與機器進行互相交流,在許多領(lǐng)域具有發(fā)展?jié)摿�。由于腦電信號（Electroencephalogram,EEG）獲取比較困難,信號本身具有非線性、非平穩(wěn)性等特點,因此,如何提取EEG并將其應(yīng)用到實際應(yīng)用中具有重要意義。過去三十年,該領(lǐng)域?qū)W者通過時頻分析、非線性分解等方法獲得較大的進步。近十年,深度學(xué)習(xí)的興起使腦電信號的特征提取和識別得到了新的突破,本文在分析現(xiàn)有常見的幾種方法的基礎(chǔ)上,采用改進的深度神經(jīng)網(wǎng)絡(luò)來分析并解構(gòu)EEG。本文首先對現(xiàn)有常見的幾種深度學(xué)習(xí)EEG處理方法進行分析,包括深度信念網(wǎng)絡(luò)（Deep Belief Network,DBN）、降噪自動編碼機（Denoising Auto-encoder,DAE）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）等。通過分析上述方法,并考慮到腦電數(shù)據(jù)集規(guī)模較小,采用深度堆疊網(wǎng)絡(luò)（Deep Stacking Network,DSN）進行改進實驗,針對... 

【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】：

BCI系統(tǒng)示意圖

重慶郵電大學(xué)碩士學(xué)位論文第3章基于自適應(yīng)學(xué)習(xí)率深度堆疊網(wǎng)絡(luò)的腦電信號識別24圖3.2SADSN頂層重構(gòu)誤差的反向傳播圖3.2顯示了SADSN網(wǎng)絡(luò)中輸出層的錯誤反向傳播過程。在圖3.2中，l1idy表示dth訓(xùn)練樣本下的最后隱藏層中的ith神經(jīng)元的輸入狀態(tài)，W表示輸出層。最頂層隱藏層的輸出權(quán)重為全連接層，S表示輸出層的輸入。ljdy和ljdy分別表示dth訓(xùn)練樣本的輸出層中thj神經(jīng)元的實際輸出和期望輸出。誤差可以表示為lldjdjde=yy，損失函數(shù)可以定義為：2112DddLe==(3.7)損失函數(shù)對權(quán)重的導(dǎo)數(shù)為：1(1)()ljdjdijlijjdjdijijljdijjdLLeysWeysWesy==(3.8)在上式中，11()(1)11xxxee=(3.9)在公式(3.9)中，權(quán)重更新中的校準(zhǔn)過程是：1()ljdjjdjkLeSyW=(3.10)SADSN的預(yù)訓(xùn)練過程使用固定學(xué)習(xí)速率為每個RBM執(zhí)行無監(jiān)督學(xué)習(xí)，以提取更多輸入信息特征。在不失一般性的前提下，Sigmoid函數(shù)的上和下漸近線設(shè)置為LA和HA，0if和1if分別表示視覺層的輸入信息和重建狀態(tài)，并用0if和1if分別表示隱藏層的狀態(tài)。Gibbs采樣過程中的可見層和隱藏層的狀態(tài)表示如下001()()mjLHLjjijifAAAbfW==++(3.11)

重慶郵電大學(xué)碩士學(xué)位論文第3章基于自適應(yīng)學(xué)習(xí)率深度堆疊網(wǎng)絡(luò)的腦電信號識別27腦電數(shù)據(jù)經(jīng)過采集、放大和過濾后，通過藍(lán)牙傳輸?shù)接嬎銠C。EmotivPRO錄制軟件(圖3.5)將顯示和記錄EEG數(shù)據(jù)。圖3.3Emotiv腦電采集儀配套設(shè)備AF3AF4F7F8F3F4FC5FC6T7T8CMSDRLP7P8O1O2圖3.4Emotiv腦電極安放位置圖3.5EmotivPro錄制軟件界面采集數(shù)據(jù)實驗選取7個受試者進行，所有受試者都是年齡介于22到26歲的無腦部疾病男性學(xué)生。對于每個受試者，主要任務(wù)是響應(yīng)計算機屏幕上的箭頭做左


本文編號：3098728