本文選題：腦機(jī)接口技術(shù) + 公共空間模式　； 參考：《鄭州大學(xué)》2017年碩士論文

【摘要】：腦機(jī)接口技術(shù)(Brain Computer Interface,BCI)是指不依靠腦神經(jīng)和肌肉組織,通過計算機(jī)在大腦和外部環(huán)境之間構(gòu)建一種新的信息傳輸回路,可以直接實現(xiàn)大腦與外界環(huán)境的信息交流,是一種新型的人機(jī)交互方式。它能為思維正常但患有肌肉損傷、肌肉功能障礙的群體提供一種與外界交流的新途徑,并且在軍事應(yīng)用、娛樂等領(lǐng)域也有著較大的應(yīng)用前景。腦機(jī)接口系統(tǒng)的關(guān)鍵技術(shù)是通過對腦電信號進(jìn)行處理,從中提取出能表征受試者的思維活動的腦電成分,作為分類器的輸入,將分類結(jié)果轉(zhuǎn)換成控制命令輸出,實現(xiàn)對外部設(shè)備的控制。本文以提高四類運動想象腦電信號的識別率為目標(biāo),結(jié)合運動想象腦電信號的特性,對腦電信號的預(yù)處理、特征提取以及分類等過程進(jìn)行了分析研究,主要工作如下:(1)首先介紹了腦電信號的分類及特點,對運動想象腦電信號的特性進(jìn)行了分析。結(jié)合小波包變換(Wavelet Packet Transform,WPT)與快速獨立分量分析(Fast Independent Component Analysis,FastICA)兩種算法,對腦電信號進(jìn)行預(yù)處理,濾除了腦電信號中的高頻噪聲與偽跡,便于后續(xù)的特征提取和分類。(2)當(dāng)輸入樣本量較少,采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)對腦電信號進(jìn)行分類時,網(wǎng)絡(luò)權(quán)值得不到充分訓(xùn)練,導(dǎo)致分類效果差。針對以上問題,本文創(chuàng)新性地將公共空間模式(Common Spatial Pattern,CSP)與CNN相結(jié)合,對多類運動想象腦電信號進(jìn)行兩級特征提取并分類,與傳統(tǒng)腦電分類算法相比,分類正確率有較大提高。(3)較小的腦電信號樣本量導(dǎo)致無法充分訓(xùn)練CNN網(wǎng)絡(luò)權(quán)值,而不同實驗過程中網(wǎng)絡(luò)權(quán)值的初始值對分類結(jié)果影響較大。針對這個問題,本文首先利用遺傳(Genetic Algorithm,GA)算法對CNN權(quán)值進(jìn)行預(yù)訓(xùn)練,在解空間內(nèi)進(jìn)行權(quán)值全局尋優(yōu);其次,利用誤差反向傳播(Back Propagation,BP)算法對最優(yōu)網(wǎng)絡(luò)權(quán)值進(jìn)行局部修正。實驗結(jié)果表明,本文所提出的方法能夠在小樣本量的情況下,達(dá)到較好的CNN網(wǎng)絡(luò)訓(xùn)練效果,比傳統(tǒng)利用BP算法對CNN進(jìn)行權(quán)值訓(xùn)練得到的分類結(jié)果更加穩(wěn)定。
[Abstract]:Brain-computer interface technology brain Computer Interface (brain-computer interface) refers to the construction of a new information transmission circuit between the brain and the external environment without relying on the brain nerve and muscle tissue, which can directly realize the information exchange between the brain and the external environment. It is a new type of human-computer interaction. It can provide a new way to communicate with the outside world for the group with normal thinking but suffering from muscle injury and muscle dysfunction, and also has a great application prospect in military application, entertainment and other fields. The key technology of the BCI system is to extract the EEG components which can represent the mental activity of the subjects by processing the EEG signals, which can be used as the input of the classifier to convert the classification results into the output of the control commands. To achieve the control of external equipment. In order to improve the recognition rate of four kinds of motion imaginary EEG signals, this paper analyzes and studies the processes of EEG preprocessing, feature extraction and classification combined with the characteristics of motion imaginary EEG signals. The main work is as follows: (1) first, the classification and characteristics of EEG are introduced, and the characteristics of motor imaginary EEG are analyzed. Combining wavelet Packet transform (WPT) with fast independent component analysis (Packet) and fast Independent Component analysis (Fast Independent Component Analysis) algorithm, the EEG signal is preprocessed to filter the high-frequency noise and artifact in the EEG signal. When the input sample size is small and the Convolutional Neural Network is used to classify EEG signals, the network weights are not sufficiently trained, which results in poor classification effect. Aiming at the above problems, this paper innovatively combines Common Spatial pattern with CNN to extract and classify the two-level feature of multi-class motion imaginary EEG signals, which is compared with the traditional EEG classification algorithm. The small sample size of EEG leads to the inability to fully train the weights of CNN networks, and the initial values of network weights in different experiments have a great influence on the classification results. To solve this problem, this paper first uses genetic algorithm GA (genetic algorithm) algorithm to pretrain the weight value of CNN, and makes a global optimization of the weight value in the solution space. Secondly, the weight value of the optimal network is locally modified by using the error back propagation (back propagation) algorithm. The experimental results show that the proposed method can achieve better training effect of CNN network under the condition of small sample size, and is more stable than the classification results obtained by traditional BP algorithm for CNN weight training.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R318;TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魯強;劉玉軍;徐建蘭;張進(jìn)祿;;一種適用于清醒動物腦電信號采集的固定裝置[J];首都醫(yī)科大學(xué)學(xué)報;2011年06期

2 ;腦電信號處理的研究取得階段性成果[J];河北師范大學(xué)學(xué)報;1987年01期

3 李志瑞;張文杰;;通用腦電信號處理——微機(jī)系統(tǒng)初探[J];河北師范大學(xué)學(xué)報;1988年Z1期

4 孟欣，，歐陽楷;腦電信號的幾個非線性動力學(xué)分析方法[J];北京生物醫(yī)學(xué)工程;1997年03期

5 吳小培,馮煥清,周荷琴,王濤;獨立分量分析及其在腦電信號預(yù)處理中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2001年01期

6 李英遠(yuǎn),周衛(wèi)東;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在腦電信號建模中的應(yīng)用[J];山東生物醫(yī)學(xué)工程;2002年02期

7 劉大路,江朝暉,馮煥清,王聰;基于腦電信號時空分布信息的思維特征研究[J];北京生物醫(yī)學(xué)工程;2004年02期

8 許崇濤,沈民奮,李慧,朱國平;雙譜分析方法在腦電信號分析中的應(yīng)用[J];中國行為醫(yī)學(xué)科學(xué);2004年03期

9 湯曉軍,宋卓,楊卓,張濤;雙任務(wù)事件中腦電信號的熵計算(英文)[J];生物物理學(xué)報;2005年05期

10 蔣辰偉;章悅;曹洋;朱國行;顧凡及;王斌;;腦死亡與腦昏迷腦電信號的復(fù)雜度研究[J];生物物理學(xué)報;2008年02期

相關(guān)會議論文 前10條

1 薛蘊全;王秋英;王宏;;腦電信號的動態(tài)時空響應(yīng)拓?fù)鋱D[A];中國儀器儀表學(xué)會第三屆青年學(xué)術(shù)會議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號診斷專家系統(tǒng)的研究[A];中國生理學(xué)會第21屆全國代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號采集方法與應(yīng)用研究[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號的假手的研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

5 李愛新;孫鐵;郭炎峰;;基于人工神經(jīng)網(wǎng)絡(luò)的腦電信號模式分類[A];自動化技術(shù)與冶金流程節(jié)能減排——全國冶金自動化信息網(wǎng)2008年會論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號分析中的應(yīng)用[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級抗交叉串?dāng)_自適應(yīng)濾波器提取誘發(fā)腦電信號[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];中國生物醫(yī)學(xué)工程進(jìn)展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會論文集（下冊）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運動想象的腦電信號特征提取與分類[A];中國儀器儀表學(xué)會醫(yī)療儀器分會2010兩岸四地生物醫(yī)學(xué)工程學(xué)術(shù)年會論文集[C];2010年

10 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會2007年學(xué)術(shù)年會論文摘要集[C];2007年

相關(guān)重要報紙文章 前1條

1 張文清　記者 王春;意念控制車速及左右轉(zhuǎn)彎前行[N];科技日報;2008年

相關(guān)博士學(xué)位論文 前10條

1 彭宏;普適化腦電信息感知關(guān)鍵問題的研究[D];蘭州大學(xué);2015年

2 吳玉鵬;AR譜在皮層癇樣腦電信號分析應(yīng)用[D];河北醫(yī)科大學(xué);2015年

3 馬小飛;認(rèn)知任務(wù)下的腦電動力學(xué)分析[D];南京大學(xué);2017年

4 吳畏;基于統(tǒng)計建模的多導(dǎo)聯(lián)腦電信號時空建模方法研究[D];清華大學(xué);2012年

5 孫宇舸;腦—機(jī)接口系統(tǒng)中腦電信號處理方法的研究[D];東北大學(xué);2012年

6 周群;腦電信號同步：方法及應(yīng)用研究[D];電子科技大學(xué);2009年

7 趙麗;基于腦電信號的腦-機(jī)接口技術(shù)研究[D];天津大學(xué);2004年

8 李春勝;腦電信號混沌特性的研究與應(yīng)用[D];東北大學(xué);2011年

9 歐陽高翔;癲癇腦電信號的非線性特征識別與分析[D];燕山大學(xué);2010年

10 繆曉波;基于腦電信號的認(rèn)知動力學(xué)系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 范明莉;基于卷積神經(jīng)網(wǎng)絡(luò)的運動想象腦電信號特征提取與分類[D];鄭州大學(xué);2017年

2 于洪;基于腦電信號的警覺度估計[D];上海交通大學(xué);2007年

3 蔣潔;基于高性能計算的腦電信號分析[D];燕山大學(xué);2010年

4 張志琴;腦電信號的復(fù)雜性分析[D];中南大學(xué);2009年

5 許鳳娟;腦電信號采集與分析系統(tǒng)的設(shè)計[D];長春理工大學(xué);2011年

6 曹銘;意識障礙患者腦電信號的非線性動力學(xué)評價分析[D];杭州電子科技大學(xué);2012年

7 薛吉星;多通道腦電信號采集與處理系統(tǒng)研究[D];華南理工大學(xué);2015年

8 劉靜;基于加權(quán)排序熵的多通道腦電信號同步算法研究[D];燕山大學(xué);2015年

9 陳澤濤;基于腦電信號分析的AD早期評估系統(tǒng)的設(shè)計與實現(xiàn)[D];燕山大學(xué);2015年

10 王歡;基于非平穩(wěn)時間序列分析方法的腦電信號模式識別[D];蘇州大學(xué);2015年

本文編號：1956481