腦機(jī)接口(brain-computer interface,BCI)能夠不依賴于外周神經(jīng)和肌肉組織,實(shí)現(xiàn)人腦對(duì)外界設(shè)備的直接控制,被廣泛應(yīng)用于醫(yī)療康復(fù)、教育、智能家居等領(lǐng)域。腦電圖(electroencephalogram,EEG)是應(yīng)用電極在頭皮表面記錄的自發(fā)腦電活動(dòng)。然而由于EEG信號(hào)的非平穩(wěn)性等特點(diǎn),傳統(tǒng)的腦機(jī)接口系統(tǒng)往往需要當(dāng)前用戶執(zhí)行耗時(shí)的訓(xùn)練階段來(lái)獲取足夠多的標(biāo)注樣本,進(jìn)而建立可靠的分類模型。但是較長(zhǎng)的訓(xùn)練時(shí)間加重了用戶的負(fù)擔(dān),降低了腦機(jī)接口系統(tǒng)的實(shí)用性。運(yùn)動(dòng)想象腦電是腦機(jī)接口中一種常用的腦電信號(hào),本文引入遷移學(xué)習(xí)思想用于減少運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)所需的訓(xùn)練時(shí)間。一般而言,可以通過(guò)遷移學(xué)習(xí)利用其他受試者的有標(biāo)簽EEG樣本輔助當(dāng)前受試者的分類模型訓(xùn)練。在這種學(xué)習(xí)模式下,無(wú)需獲取當(dāng)前受試者的大量有標(biāo)簽EEG樣本就能夠得到性能良好的分類器,從而減少了當(dāng)前受試者耗費(fèi)的訓(xùn)練時(shí)間。目前,大多數(shù)應(yīng)用于腦機(jī)接口中的遷移學(xué)習(xí)算法仍然需要當(dāng)前受試者的少量有標(biāo)簽EEG樣本。與此不同,本文提出的算法只利用當(dāng)前受試者的無(wú)標(biāo)簽EEG樣本進(jìn)行知識(shí)遷移。本文的主要研究工作如下:(1)提出一種黎曼幾何框架下流...

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 腦機(jī)接口技術(shù)概述
        1.2.1 腦機(jī)接口系統(tǒng)組成
        1.2.2 腦機(jī)接口中常用的腦電信號(hào)
        1.2.3 腦機(jī)接口系統(tǒng)的分類
        1.2.4 腦機(jī)接口系統(tǒng)面臨的問(wèn)題
    1.3 論文研究?jī)?nèi)容與結(jié)構(gòu)安排
第二章 遷移學(xué)習(xí)及其在腦機(jī)接口中的應(yīng)用
    2.1 遷移學(xué)習(xí)簡(jiǎn)介
        2.1.1 遷移學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別
        2.1.2 遷移學(xué)習(xí)的定義
        2.1.3 遷移學(xué)習(xí)的分類
    2.2 遷移學(xué)習(xí)在腦機(jī)接口中的應(yīng)用
    2.3 本章小結(jié)
第三章 黎曼幾何框架下流形嵌入分布對(duì)齊的遷移學(xué)習(xí)
    3.1 黎曼幾何框架
        3.1.1 黎曼幾何簡(jiǎn)介
        3.1.2 用于黎曼幾何的EEG特征
    3.2 黎曼幾何框架下流形嵌入分布對(duì)齊的遷移學(xué)習(xí)算法
        3.2.1 整體思路
        3.2.2 黎曼切平面映射
        3.2.3 流形特征變換
        3.2.4 集成分布對(duì)齊的分類器
        3.2.5 算法步驟
    3.3 實(shí)驗(yàn)與分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理
        3.3.2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    3.4 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)算法
    4.1 卷積神經(jīng)網(wǎng)絡(luò)及其在腦機(jī)接口中的應(yīng)用
    4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)算法
        4.2.1 淺層卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 基于淺層卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)算法
        4.2.3 遷移模型的訓(xùn)練算法
    4.3 實(shí)驗(yàn)與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理
        4.3.2 實(shí)驗(yàn)設(shè)計(jì)
        4.3.3 實(shí)驗(yàn)結(jié)果與討論
    4.4 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號(hào)：3800848