發(fā)布時間：2020-05-10 22:44

【摘要】：腦機接口是在人類大腦與電子設備之間建立的一種不依賴于外圍神經(jīng)和肌肉組織的直接的通訊和控制通道。它讓人類通過腦信號同外界環(huán)境交流成為可能,讓人類不需要語言或者動作而可以直接通過大腦來表達想法或操縱設備。腦磁圖正迅速成為不可或缺的非侵入式腦成像技術。通過使用專業(yè)的儀器,腦磁圖可以檢測大腦中神經(jīng)元群發(fā)出的微弱磁性活動,并且只有腦磁圖可以精確定位并記錄這些信號比地球磁場小約十億倍的毫秒級現(xiàn)象。傳統(tǒng)的腦磁圖解碼算法過分依賴于訓練樣本的數(shù)量,以及訓練樣本與測試樣本在相同特征空間中分布的一致性。實際應用過程中,很難滿足以上條件,因此限制了不同受試者之間的訓練數(shù)據(jù)或訓練模型的可遷移性。本文針對上述問題,將遷移學習的思想應用于跨受試者的腦磁圖解碼中。通過回顧在腦解碼中取得令人滿意的結果的遷移學習技術,本文提出了三種跨受試者的腦磁圖解碼方法,具體研究內容如下:本文根據(jù)黎曼流形上的點與切空間中切向量的對應關系,在切空間中找到不同受試者腦磁圖樣本協(xié)方差陣特征之間相同的特征子空間進行映射,實現(xiàn)了基于黎曼流形學習的跨受試者腦磁圖解碼。本文將每個受試者視為一項任務,假設每個受試者的學習模型具有相同的結構,通過共享模型參數(shù)之間的先驗分布信息,在基于貝葉斯的多任務學習框架的基礎上,提出了改進的多任務學習框架。在黎曼流形學習和改進的多任務學習框架的基礎上,本文提出一種聯(lián)合算法,通過結合黎曼流形學習的特征提取和多任務學習框架的分類過程,實現(xiàn)基于特征-模型的遷移,進一步提高了跨受試者的腦磁圖解碼的性能。本文實驗采用16個受試者在目標視覺刺激檢測任務中的腦磁圖數(shù)據(jù)集,驗證了以上三種算法的有效性。
【圖文】：

式可以分為頭皮記錄的非侵入。侵入式腦機接口通常將電極經(jīng)信號。如皮層腦電圖（ele電極植入顱內來完成，獲取的昂貴，操作難度較大且存在一電信號檢測方法的使用更加廣要進入大腦，可以像戴帽子一EEG）[4]、腦磁圖（magnetoenetic resonance imaging，fMRctroscopy，，fNIRS）[7]等等。且記錄其并發(fā)的大腦活動時，

部
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP181;TP391.41;R318

【參考文獻】

相關期刊論文 前2條

1 孫吉林;王寶山;;我國腦磁圖及磁源性影像發(fā)展歷程及展望[J];現(xiàn)代電生理學雜志;2007年03期

2 程明,任宇鵬,高小榕,王廣志,季林紅,高上凱;腦電信號控制康復機器人的關鍵技術[J];機器人技術與應用;2003年04期

本文編號：2658012