腦機(jī)接口是一種獨(dú)特的通信系統(tǒng),該系統(tǒng)可以在不依賴于人體肌肉組織和神經(jīng)組織的情況下實(shí)現(xiàn)個(gè)人意圖與外部設(shè)備之間的直接交互。這種新型的人機(jī)交互系統(tǒng)可以有效地提高殘障患者與外界的溝通能力,從而提高生活質(zhì)量,其中,基于運(yùn)動(dòng)想象的腦機(jī)接口系統(tǒng)通過處理和分析采集到的人腦意識(shí)任務(wù)信號(hào),并將其轉(zhuǎn)化為相應(yīng)的指令來控制外部設(shè)備,因其具有實(shí)際的醫(yī)學(xué)意義,受到了國內(nèi)外眾多學(xué)者的關(guān)注,并成為人工智能、康復(fù)醫(yī)學(xué)和計(jì)算機(jī)科學(xué)等技術(shù)領(lǐng)域的研究熱點(diǎn)。腦機(jī)接口技術(shù)的應(yīng)用依賴于腦電信號(hào)識(shí)別的準(zhǔn)確率,由于腦電信號(hào)極易受到外界噪聲的干擾,且現(xiàn)有的腦電信號(hào)處理方法經(jīng)常存在信道選擇依靠經(jīng)驗(yàn)、特征工程耗時(shí)耗力、特征提取不全面等多種問題,為正確而快速的提取和分類腦電信號(hào)帶來了挑戰(zhàn),因此,如何有效地提取能夠代表大腦活動(dòng)特征的信息,如何有效地訓(xùn)練出泛化能力良好的分類器是基于運(yùn)動(dòng)想象腦電數(shù)據(jù)分析的重要內(nèi)容。本文立足于腦電信號(hào)的特征提取和分類識(shí)別方面展開算法研究,采用可以自主學(xué)習(xí)的深度學(xué)習(xí)算法處理腦電數(shù)據(jù),并設(shè)計(jì)了腦電信號(hào)采集實(shí)驗(yàn),全面而細(xì)致地了解并剖析了基于運(yùn)動(dòng)想象的腦機(jī)接口系統(tǒng)整個(gè)數(shù)據(jù)采集和處理的過程,主要工作內(nèi)容如下:1.構(gòu)建了基于卷積神... 

【文章來源】：齊魯工業(yè)大學(xué)山東省

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同信道上的

齊魯工業(yè)大學(xué)碩士學(xué)位論文21第3章基于CNN網(wǎng)絡(luò)的腦電信號(hào)處理算法本章以運(yùn)動(dòng)想象腦電信號(hào)中電生理現(xiàn)象ERD/ERS的空頻特性為研究基礎(chǔ)，將CNN網(wǎng)絡(luò)應(yīng)用到BCI系統(tǒng)的信號(hào)處理中。CNN是一種具有高維度識(shí)別特征的層級(jí)網(wǎng)絡(luò)，這種層級(jí)的網(wǎng)絡(luò)結(jié)構(gòu)可以在網(wǎng)絡(luò)內(nèi)部對輸入進(jìn)行特征提取和優(yōu)化，且在處理適度變形的特征時(shí)，網(wǎng)絡(luò)也能保持不變性，該高度的適應(yīng)特性，能夠很好地處理具有高維度、高復(fù)雜度的數(shù)據(jù)問題。通過CNN網(wǎng)絡(luò)對腦電信號(hào)進(jìn)行建模，提取腦電信號(hào)中具有代表性的數(shù)據(jù)特征，再結(jié)合GB分類器，提出一種基于CNN網(wǎng)絡(luò)的二類運(yùn)動(dòng)想象BCI系統(tǒng)的腦電分析算法。3.1卷積神經(jīng)網(wǎng)絡(luò)的基本網(wǎng)絡(luò)CNN網(wǎng)絡(luò)是目前研究深度學(xué)習(xí)算法的一個(gè)重要內(nèi)容，其本質(zhì)可以看成是一個(gè)前向反饋型人工神經(jīng)網(wǎng)絡(luò)，源自人眼視覺抽象過程的啟發(fā)，CNN網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元可以看成是模擬人類視覺域相對應(yīng)的神經(jīng)元，且訓(xùn)練在過程中不需要大量人工處理參與。近年來，CNN以其獨(dú)特的優(yōu)點(diǎn)在很多領(lǐng)域都取得了廣泛的應(yīng)用[52]，尤其是在圖像領(lǐng)域，經(jīng)過眾多學(xué)者的努力，很多經(jīng)典的CNN模型，例如LeNet、AlexNet和GoogNet等模型應(yīng)運(yùn)而生，并在其應(yīng)用領(lǐng)域取得很大的成功。然而，CNN模型在運(yùn)動(dòng)想象任務(wù)的腦電信號(hào)分類中并不像之前那樣受歡迎，一個(gè)很重要的原因在于到目前為止很難找到一種有效的轉(zhuǎn)換方法來表示腦電信號(hào)，進(jìn)而使得腦電信號(hào)在形式上更能契合CNN處理數(shù)據(jù)的方式[45]。盡管如此，CNN還是以其強(qiáng)大的數(shù)據(jù)處理能力受到眾多研究BCI技術(shù)學(xué)者們的關(guān)注，為了更好地研究CNN網(wǎng)絡(luò)在BCI系統(tǒng)信號(hào)處理中的應(yīng)用，首先需要正確的理解并掌握CNN的基本結(jié)構(gòu)和原理，圖3.1描述了一個(gè)基本的CNN網(wǎng)絡(luò)結(jié)構(gòu)。圖3.1CNN網(wǎng)絡(luò)的基本結(jié)構(gòu)圖

齊魯工業(yè)大學(xué)碩士學(xué)位論文23池化方式有最大值池化和平均值池化兩種，其中，最大值池化就是對區(qū)域中所有的數(shù)值進(jìn)行比較，選取最大的數(shù)值作為此區(qū)域的輸出，池化過程可以簡記為：11jdown(+)KKKKKijjiNPCb=（3.6）其中，KPj表示第K層池化層層的第j個(gè)特征圖，Kj為第K層的第j個(gè)池化核的乘子偏差，Kjb是對應(yīng)的附加偏差，down()表示各種池化方式。通常情況下，卷積層和池化層交替總是交替出現(xiàn)，且交替層級(jí)的維度逐步下降,如圖3.2所示，列舉了一組數(shù)據(jù)依次經(jīng)過一個(gè)卷積尺寸為22的卷積層和一個(gè)池化尺寸為22池化層，其中給出平均值和最大值池化方式的示例。圖3.2卷積和池化的示例3.1.3全連接層全連接FC層通常在CNN網(wǎng)絡(luò)的最后端，是一種可以對輸入數(shù)據(jù)直接進(jìn)行線性變換的線性計(jì)算層，前一層的每個(gè)神經(jīng)元都和當(dāng)前FC層中的每個(gè)神經(jīng)元相連，這種相連的結(jié)構(gòu)特點(diǎn)可以對輸入的數(shù)據(jù)起到區(qū)分局部信息和整合全局類別信息的重要作用，同時(shí)，F(xiàn)C的作用就是將學(xué)到的特征映射到樣本的標(biāo)記空間中去，使得數(shù)據(jù)得以具有更大的區(qū)分性，換而言之，一個(gè)簡單的FC層可以將多維向量連接成單個(gè)一維特征向量，實(shí)現(xiàn)分類或預(yù)測的目的。一般完整的CNN網(wǎng)絡(luò)中會(huì)存在一個(gè)或多個(gè)FC層，目前FC層中常采用的激活函數(shù)有ReLU和sigmiod。3.2基于CNN網(wǎng)絡(luò)的腦電分類模型3.2.1網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)本章搭建一個(gè)多層的CNN網(wǎng)絡(luò)模型對ECoG和EEG腦電數(shù)據(jù)進(jìn)行分析，該模型由一系列不同的層組成，包括卷積層、池化層和FC層等，整個(gè)運(yùn)動(dòng)想象任務(wù)識(shí)別過程如圖3.3所示。

【參考文獻(xiàn)】：
期刊論文
[1]腦機(jī)接口的現(xiàn)狀與未來[J]. 高上凱.  機(jī)器人產(chǎn)業(yè). 2019(05)
[2]基于深度學(xué)習(xí)框架的多類運(yùn)動(dòng)想象腦電分類研究[J]. 葛榮祥,胡建中.  江蘇科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[3]基于深度卷積網(wǎng)絡(luò)的腦電運(yùn)動(dòng)想象分類方法[J]. 陳嬌.  中國醫(yī)療設(shè)備. 2019(08)
[4]基于運(yùn)動(dòng)想象輔助的下肢康復(fù)控制系統(tǒng)[J]. 江雨林,謝亮,袁翀,鄭慧樂,仝孟松,鄧媛.  電腦與電信. 2019(04)
[5]腦機(jī)接口:跨越人類語言的鴻溝 當(dāng)人類不再用語言交流[J]. 潘楷文.  世界博覽. 2019(02)
[6]腦-機(jī)接口技術(shù)在腦卒中后上肢運(yùn)動(dòng)功能恢復(fù)中的研究進(jìn)展[J]. 王慧,王春方,孫長城,陳龍,顧斌,明東,杜金剛.  國際生物醫(yī)學(xué)工程雜志. 2017 (05)
[7]基于半監(jiān)督學(xué)習(xí)的腦電信號(hào)特征提取及識(shí)別[J]. 張娜,唐賢倫,劉慶.  工程科學(xué)與技術(shù). 2017(S2)
[8]基于運(yùn)動(dòng)想象的腦機(jī)接口算法研究[J]. 溫冰冰,杜玉曉.  電子世界. 2017(07)
[9]一種新的基于小波包分解的EEG特征抽取與識(shí)別方法研究[J]. 王登,苗奪謙,王睿智.  電子學(xué)報(bào). 2013(01)

博士論文
[1]基于運(yùn)動(dòng)想象的腦機(jī)接口相關(guān)算法研究[D]. 徐舫舟.山東大學(xué) 2014

碩士論文
[1]運(yùn)動(dòng)想象腦機(jī)交互中腦電預(yù)處理算法研究[D]. 陳健.昆明理工大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)檢測與腦機(jī)接口實(shí)現(xiàn)[D]. 董賢光.山東大學(xué) 2016



本文編號(hào)：3438789