近幾年,腦機接口（Brain-computer interface,BCI）系統(tǒng)的研究成為人工智能領(lǐng)域內(nèi)科研以及應(yīng)用技術(shù)研究熱門方向。BCI技術(shù)允許人類通過運動想象（MI）信號控制外部設(shè)備,在醫(yī)學(xué)康復(fù)以及軍事科技領(lǐng)域有良好前景。該技術(shù)的關(guān)鍵之處在于對腦電信號的正確識別分類,但現(xiàn)有的許多特征提取算法無法消除人腦個體差異對腦電信號的影響,從而阻礙了BCI系統(tǒng)的廣泛應(yīng)用。本研究基于現(xiàn)有的BCI技術(shù),對腦電運動想象信號進(jìn)行數(shù)據(jù)分析,頻帶篩選和特征提取,與卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）信號分類器結(jié)合,提出了一種新的分類算法,消除了個體差異并很顯著提升了分類準(zhǔn)確率。腦電信號的預(yù)處理方法中,通常采用初始信號濾波或者去噪重構(gòu)的方法,提高信號信噪比,但是濾波范圍和去噪閾值設(shè)定并不嚴(yán)謹(jǐn),導(dǎo)致腦電分類算法的普適性較差。在本文中,我們采用離散小波變換（Discrete Wavelet Transform,DWT）計算每位被試的頻帶能量分布,選取最佳頻帶,提升算法普適性。常見的腦電分類算法提取的特征包括時空域特征以及頻域特征,時空域特征是利用卷積核對于初始信號進(jìn)... 

【文章來源】：山東師范大學(xué)山東省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 主要研究內(nèi)容
第二章 腦電信號多分類的相關(guān)理論基礎(chǔ)
    2.1 腦電信號描述
        2.1.1 腦電信號的研究歷程
        2.1.2 腦電信號的頻率分布
        2.1.3 事件相關(guān)同步和去同步
        2.1.4 腦電信號的采集
    2.2 基于DWT的頻帶能量分析
        2.2.1 多分辨率分析
        2.2.2 DWT數(shù)學(xué)模型
        2.2.3 DWT基于Parseval定理的能量分布
        2.2.4 能量占比計算
    2.3 基于滑動時間窗的信號分割
    2.4 深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)介紹
        2.4.1 神經(jīng)網(wǎng)絡(luò)中基本結(jié)構(gòu)
        2.4.2 神經(jīng)元種類
        2.4.3 神經(jīng)網(wǎng)絡(luò)
        2.4.4 神經(jīng)網(wǎng)絡(luò)的反向傳播算法
    2.5 卷積神經(jīng)網(wǎng)絡(luò)
        2.5.1 卷積層
        2.5.2 池化層
        2.5.3 全連接層
        2.5.4 分類函數(shù)
        2.5.5 視覺幾何組網(wǎng)絡(luò)（Visual Geometry Group network）
        2.5.6 卷積神經(jīng)網(wǎng)絡(luò)特點
        2.5.7 卷積神經(jīng)網(wǎng)絡(luò)總結(jié)
第三章 腦電運動想象信號實驗分析
    3.1 實驗數(shù)據(jù)
        3.1.1 BCI Competition IV Dataset IIA數(shù)據(jù)集
        3.1.2 GDF數(shù)據(jù)讀取
    3.2 現(xiàn)有分類方法的介紹
        3.2.1 原始數(shù)據(jù)特征算法
        3.2.2 平行多層感知網(wǎng)絡(luò)算法
        3.2.3 黎曼幾何與支持向量機算法
        3.2.4 多尺度CSP算法
    3.3 現(xiàn)有算法分類結(jié)果分析
    3.4 實驗被試分析
    3.5 實驗數(shù)據(jù)處理方法選擇
    3.6 腦電信號分類處理框架
第四章 腦電運動想象信號分類框架
    4.1 基于DWT的自動頻帶選擇
        4.1.1 原始頻帶劃分
        4.1.2 強化細(xì)節(jié)分量的DWT子頻帶能量計算方法
    4.2 基于滑動時間窗的數(shù)據(jù)預(yù)處理
    4.3 基于功率譜密度的特征提取
    4.4 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計和腦電信號分類
        4.4.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        4.4.2 卷積神經(jīng)網(wǎng)絡(luò)運算
第五章 實驗結(jié)果與分析
    5.1 分類準(zhǔn)確率
    5.2 分類結(jié)果對比
    5.3 有無自動頻帶選擇的分類效果對比
    5.4 實驗參數(shù)驗證
        5.4.1 卷積核驗證
        5.4.2 迭代次數(shù)驗證
    5.5 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]在FPGA上實現(xiàn)及優(yōu)化加速卷積神經(jīng)網(wǎng)絡(luò)的方法[J]. 鄭文凱,楊濟民.  山東師范大學(xué)學(xué)報(自然科學(xué)版). 2019(02)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的腦電信號情感識別[J]. 陳景霞,王麗艷,賈小云,張鵬偉.  計算機工程與應(yīng)用. 2019(18)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的癲癇腦電自動檢測[J]. 韋曉燕,周霖,陳秋源,陳子怡,周毅.  中國數(shù)字醫(yī)學(xué). 2019(01)
[4]基于FastICA和卷積神經(jīng)網(wǎng)絡(luò)的腦電信號分類算法[J]. 陳宇,周雨佳,宮翔君.  黑龍江大學(xué)自然科學(xué)學(xué)報. 2018(03)
[5]基于概率協(xié)作表示的運動想象腦電分類算法[J]. 崔麗霞,楊濟民,常洪麗.  山東科學(xué). 2018(02)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別方法[J]. 陳耀丹,王連明.  東北師大學(xué)報(自然科學(xué)版). 2016(02)
[7]基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的磁共振成像腦腫瘤分割研究[J]. 李健,羅蔓,羅曉,藍(lán)威,周懷恒,陳榮耀.  中國醫(yī)學(xué)裝備. 2016(02)

碩士論文
[1]壓力累積效應(yīng)的心跳模式分析與異常檢測[D]. 張杰.西南大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的腦電信號檢測與腦機接口實現(xiàn)[D]. 董賢光.山東大學(xué) 2016



本文編號：3163138