【摘要】：腦電圖,簡(jiǎn)稱EEG,是通過電子儀器,從頭皮上將腦部的自發(fā)性生物電位加以放大記錄而獲得的圖形,是通過電極記錄下來的腦細(xì)胞群的自發(fā)性、節(jié)律性電活動(dòng)。將電極附著到頭皮上,電極從人腦獲取數(shù)據(jù),可記錄大腦皮層的電活動(dòng)。目前常用的電極定位系統(tǒng)始于1929年,稱為“10-20電極定位系統(tǒng)”包括19個(gè)記錄電極和2個(gè)參考電極但在目前一些研究中,使用的電極超過20個(gè)。在標(biāo)準(zhǔn)的EEG實(shí)驗(yàn)室中,有256個(gè)電極連接到人的頭部進(jìn)行記錄。為了佩戴EEG,除了基于10-20電極定位系統(tǒng)設(shè)置電極外,還應(yīng)給每個(gè)電極提供電解質(zhì)以降低阻抗水平。阻抗水平的降低對(duì)于降低腦電信號(hào)的噪聲水平是必要的。盡管已經(jīng)發(fā)明干電極不需要任何電解質(zhì)凝膠,干電極類型的阻抗水平仍然很高。因此,在實(shí)際使用中,使用電解質(zhì)凝膠的濕電極是優(yōu)選。在本論文中,使用的是Emotiv EPOC+品牌EEG,具有14個(gè)電極。每個(gè)右半球和左半球的耳后有兩個(gè)參考點(diǎn)。Emotiv EPOC+系統(tǒng)中的14個(gè)電極遵循10-20電極定位系統(tǒng)�；�10-20電極定位系統(tǒng)每個(gè)電極位置都被命名的規(guī)則,Emotiv EPOC+電極名稱分別是 AF3,F7,F3,FC5,T7,P7,01,02,P8,T8,FC6,F4,F8,AF4。以上14個(gè)電極分布在整個(gè)小腦皮質(zhì)上。為了佩戴這種EEG,在開始時(shí)需每個(gè)電極提供電解液。之后,EEG頭盔佩戴在實(shí)驗(yàn)主體頭上,兩個(gè)參考點(diǎn)連接在主體耳后部。此外,靠近眼睛的兩個(gè)電極,AF3和AF4應(yīng)距離受試者的眉毛3指。然后,可以使用TestbenchTM軟件進(jìn)行校準(zhǔn)過程。Emotiv EPOC+EEG是一種便攜式腦電圖品牌,已被用于許多腦計(jì)算機(jī)界面研究,因此該品牌在我們的研究中被選用。近年來,由于人工智能技術(shù)的興起,,腦機(jī)接口相關(guān)研究也得到了蓬勃的發(fā)展。并且在未來將越來越受到研究者和產(chǎn)業(yè)界的重視。因此,選擇腦機(jī)接口研究領(lǐng)域來推動(dòng)科學(xué)前沿的極限以獲得更好的未來是有趣的。但在其傳統(tǒng)定義中,腦機(jī)接口的主要目標(biāo)是使殘疾人能夠像其他正常人一樣正常工作。人機(jī)交互的這個(gè)目標(biāo),腦機(jī)接口的別名,已被科學(xué)家考慮作為推動(dòng)科學(xué)實(shí)踐的主要?jiǎng)訖C(jī)。早期腦機(jī)接口技術(shù)已被用于開發(fā)基于BCI的輪椅。例如P300系統(tǒng),其是腦機(jī)接口中將大腦信號(hào)轉(zhuǎn)換為控制信號(hào)的典型示例之一。P300的工作方式是從A到Z的字母以及0到9的數(shù)字中挑選出一些在屏幕上不斷變換顯示,實(shí)驗(yàn)對(duì)象被要求通過EEG系統(tǒng)將視覺響應(yīng)在毫秒級(jí)內(nèi)實(shí)時(shí)轉(zhuǎn)換為控制信號(hào)。要求受試者將他/她的注意力集中在某個(gè)字母或數(shù)字上。然后,系統(tǒng)可以識(shí)別受試者關(guān)注的字母或數(shù)字。系統(tǒng)的分析在幾毫秒內(nèi)完成。在300毫秒內(nèi),與其他毫秒級(jí)的時(shí)域相比,該系統(tǒng)的電勢(shì)是最高的。研究發(fā)現(xiàn)它是由于來自某個(gè)字母或數(shù)字的屏幕閃爍的刺激響應(yīng)而發(fā)生的。外,運(yùn)動(dòng)假象系統(tǒng)運(yùn)動(dòng)假象系統(tǒng)也是BCI技術(shù)應(yīng)用的一個(gè)典型范例。與P300系統(tǒng)不同,其專注于幫助失去肢體的殘疾人。對(duì)于運(yùn)動(dòng)假想系統(tǒng),實(shí)際上電極不僅附著在頭皮上,而且還附著在身體的其他部位上;特別是在失去的四肢附近。從兩個(gè)著名的腦機(jī)接口系統(tǒng)的實(shí)際使用效果來看,其具有很大的改進(jìn)提升空間。眾所周知,計(jì)算機(jī)系統(tǒng)中使用的是二進(jìn)制,通過0和1,可以對(duì)所有的文字、聲音、圖像等。因此,我們著重研究基于腦電信號(hào)的人腦想象數(shù)字分類識(shí)別問題。雖然類似的問題在過去得到了一些研究,但是準(zhǔn)確率不足是其最大的問題。本文中,嘗試基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的新方法來突破腦機(jī)接口研究的局限性。旨在提高數(shù)字想象分類的百分比準(zhǔn)確度,使得其在未來實(shí)際可用于控制信號(hào)和許多其他應(yīng)用。本文著重于創(chuàng)建一個(gè)基于二進(jìn)制數(shù)字想象分類的腦機(jī)接口系統(tǒng)。首先在紙上打印出標(biāo)準(zhǔn)的0和1的形狀,讓實(shí)驗(yàn)對(duì)象記憶,然后要求實(shí)驗(yàn)對(duì)象對(duì)以標(biāo)準(zhǔn)形式給出的數(shù)字在大腦中進(jìn)行想象,通過計(jì)算機(jī)對(duì)電腦信號(hào)進(jìn)行識(shí)別。論文實(shí)驗(yàn)分為兩部分進(jìn)行比較,采用傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法和深度學(xué)習(xí)算法進(jìn)行比較。在傳統(tǒng)的機(jī)器學(xué)習(xí)算法中,使用來自單個(gè)實(shí)驗(yàn)對(duì)象的數(shù)據(jù),每個(gè)數(shù)字需要記錄一百次。每次記錄一個(gè)數(shù)字的時(shí)間為30秒,然后休息20秒再繼續(xù)進(jìn)行下一個(gè)數(shù)字的記錄,依此類推。對(duì)數(shù)字0重復(fù)記錄一百次;然后對(duì)數(shù)字1在記錄一百次。最后對(duì)記錄的信號(hào)進(jìn)行處理及分類。一開始,每個(gè)數(shù)字的一百次試驗(yàn)被連接起來。然后,從每次試驗(yàn)的30秒記錄時(shí)間中的10秒中間跨度中及時(shí)取出所挑選的數(shù)據(jù)。選定的中間跨度從起點(diǎn)10秒開始,直到20秒時(shí)結(jié)束。從理論上講,基于小腦皮質(zhì)記錄的腦電波可分為幾種波形:δ,θ,α,β和γ波形�；谒涗浀氖茉囌叩拇碳せ蚧顒�(dòng),每種波形均具有某種特別的含義。已知具有最低頻率范圍(約04Hz)的δ波在受試者處于深度和無夢(mèng)睡眠的情況下具有高振幅。當(dāng)受試者處于深度放松和困倦的狀態(tài)時(shí),θ波,范圍從4到8Hz,具有高振幅。對(duì)于某些情況,自主活動(dòng)還可以觸發(fā)該波型的高振幅。當(dāng)受試者處于清醒狀態(tài)且使用較少的注意力時(shí),最佳已知具有8至12Hz的α波具有高振幅。當(dāng)受試者處于放松狀態(tài)時(shí),α波也與病癥相關(guān)。β波,范圍從12到30Hz,在人類活動(dòng)中起主要作用。每當(dāng)受試者在進(jìn)行需要高認(rèn)知水平的特定任務(wù)時(shí),該波型具有高振幅。例如當(dāng)實(shí)驗(yàn)對(duì)象求解數(shù)字問題時(shí),β波具有明顯的波動(dòng)。最后,對(duì)于γ波,其頻率范圍從30到70Hz,其特性仍不明確。目前的結(jié)論是當(dāng)受試者處于完全清醒意識(shí)并進(jìn)入冥想狀態(tài)時(shí),Y波可能具有高波動(dòng)。在我們的研究中,主要使用α波與β波進(jìn)行二元數(shù)字想象分類。主要的工作包括:1.對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)分類方法,選擇合適頻率范圍內(nèi)的腦電信號(hào)對(duì)于提高分類準(zhǔn)確性至關(guān)重要。在之前文獻(xiàn)的研究中,一般所選擇的頻率范圍在8到30Hz之間。該頻率范圍包括α波和β波。因此,在傳統(tǒng)機(jī)器學(xué)習(xí)分類的開始,頻率應(yīng)該在α和β頻帶內(nèi)進(jìn)行帶通濾波。然后通過對(duì)帶信號(hào)的分析,進(jìn)一步將頻率范圍將縮小到能更好滿足二進(jìn)制數(shù)字想象分類實(shí)驗(yàn)的一定帶寬內(nèi)。帶通濾波器后,我們使用了不同的特征提取方法提取信號(hào)特征。從而實(shí)現(xiàn)更高的分類結(jié)果。其中,電極的電極的選擇也十分重要(即選擇哪個(gè)電極的信號(hào)來進(jìn)行分類),不同的電極信號(hào)的功率或點(diǎn)位不同,分類準(zhǔn)確率不同。此外,選擇正確的頻率范圍也可能影響分類準(zhǔn)確性。本中文,對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)分類方法,提取的第一種特征是通過事件相關(guān)電位分析(ERP)分析選擇電極位置。對(duì)于二進(jìn)制數(shù)字想象分類,按照上述的電極信號(hào)記錄方式,對(duì)每個(gè)電極記錄下來的信號(hào)中的10秒信號(hào)值進(jìn)行平均。然后,將ERP數(shù)據(jù)繪制出來從而確定哪個(gè)電極位置ERP值的貢獻(xiàn)更大�；趥鹘y(tǒng)機(jī)器學(xué)習(xí)電腦信號(hào)分類的另一種特征提取方法是功率譜密度(PSD)分析。PSD分析可以對(duì)頻率進(jìn)行選擇,從而得到更高的分類結(jié)果準(zhǔn)確率。PSD分析也同時(shí)可以用于上述ERP方法對(duì)電極選擇的正確性檢驗(yàn)。頻率范圍可基于功率譜圖進(jìn)行選擇。在該方法中,我們選擇最高功率譜對(duì)應(yīng)的頻率范圍。從而提高分類結(jié)果準(zhǔn)確率。在PSD分析之后,使用公共空間模式算法(CSP)進(jìn)行分析。眾所周知,在BCI中,CSP可使用兩類信號(hào)方差值差異最大化。通常被用于數(shù)據(jù)被分類之前。一般而言,對(duì)于每一類信號(hào),CSP構(gòu)造一個(gè)協(xié)方差矩陣,然后對(duì)協(xié)方差矩陣進(jìn)行特征值分解。從而得到EEG源信號(hào)分布向量/空間模式。這些向量即可用于信號(hào)的二分類�；趥鹘y(tǒng)的機(jī)器學(xué)方法,我們使用了不同的習(xí)分類器進(jìn)行分類,包括:線性判別分析(LDA),支持向量機(jī)(SVM),Logistic回歸和人工神經(jīng)網(wǎng)絡(luò)-多層感知器(ANN-MLP)。在沒有適合ERP和PSD分析的情況下,最高分類準(zhǔn)確率為60%。然而,結(jié)合CSP并對(duì)算法流程進(jìn)行改進(jìn),我們實(shí)驗(yàn)結(jié)果的分類準(zhǔn)確率提高66.88%。2.上述基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的結(jié)果并不令人滿意,本文進(jìn)一步引入深度學(xué)習(xí)架構(gòu)。首先使用帶通濾波器對(duì)α(8-13Hz)和β(13-30Hz)波頻率范圍內(nèi)的數(shù)據(jù)進(jìn)行預(yù)處理。根據(jù)濾波后的信號(hào)繪制ERP topo圖并輸入到卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行特征提取和分類。CNN網(wǎng)絡(luò)結(jié)構(gòu)包括10層卷積和Maxpoo1ing兩個(gè)完全連接層,一個(gè)drop out層,和一個(gè)回歸層。我們使用些網(wǎng)絡(luò)對(duì)來自15個(gè)不同實(shí)驗(yàn)對(duì)象的腦電數(shù)據(jù)進(jìn)行訓(xùn)練和分類。最高分類結(jié)果達(dá)到99.65%,該結(jié)果表明該方法極大的優(yōu)于傳統(tǒng)方法的分類結(jié)果。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R741.044;TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高上凱;;腦機(jī)接口的現(xiàn)狀與未來[J];機(jī)器人產(chǎn)業(yè);2019年05期

2 ;腦機(jī)接口走向現(xiàn)實(shí)[J];發(fā)明與創(chuàng)新(大科技);2019年08期

3 潘紅光;張奇;米文毓;馬彪;;基于長(zhǎng)短期記憶網(wǎng)絡(luò)的解碼器設(shè)計(jì)及閉環(huán)腦機(jī)接口系統(tǒng)構(gòu)建[J];西安科技大學(xué)學(xué)報(bào);2019年06期

4 胡劍鋒;;未來不是夢(mèng)——腦機(jī)接口綜述[J];江西藍(lán)天學(xué)院學(xué)報(bào);2006年02期

5 陳小剛;王毅軍;張丹;;2018年腦機(jī)接口研發(fā)熱點(diǎn)回眸[J];科技導(dǎo)報(bào);2019年01期

6 張丹;陳菁菁;王毅軍;;2017年腦機(jī)接口研發(fā)熱點(diǎn)回眸[J];科技導(dǎo)報(bào);2018年01期

7 李佩tD;薛貴;;腦機(jī)接口的倫理問題及對(duì)策[J];科技導(dǎo)報(bào);2018年12期

8 陳小剛;王毅軍;;基于腦電的無創(chuàng)腦機(jī)接口研究進(jìn)展[J];科技導(dǎo)報(bào);2018年12期

9 楊曉哲;;腦機(jī)接口離我們有多近[J];中國(guó)信息技術(shù)教育;2017年Z2期

10 ;腦機(jī)接口芯片用上玻璃碳電極[J];杭州化工;2017年01期

相關(guān)會(huì)議論文 前10條

1 李遠(yuǎn)清;;基于多模態(tài)腦機(jī)接口的意識(shí)檢測(cè)[A];第三屆全國(guó)神經(jīng)動(dòng)力學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2016年

2 劉子榆;;腦機(jī)接口人體實(shí)驗(yàn)首度成功,它用50年把科幻電影變?yōu)楝F(xiàn)實(shí)[A];《科學(xué)與現(xiàn)代化》2017年第1期（總第070期）[C];2017年

3 彬彬;;科學(xué)家警告:黑客可通過腦機(jī)接口監(jiān)控大腦神經(jīng)信號(hào)[A];《科學(xué)與現(xiàn)代化》2017年第1期（總第070期）[C];2017年

4 郭苗苗;徐桂芝;王磊;王江;;基于小波變換的聽覺腦機(jī)接口特征信號(hào)分析[A];天津市生物醫(yī)學(xué)工程學(xué)會(huì)第三十一屆學(xué)術(shù)年會(huì)論文集[C];2011年

5 ;腦機(jī)接口數(shù)據(jù)競(jìng)賽[A];首屆全國(guó)功能神經(jīng)影像學(xué)和神經(jīng)信息學(xué)研討會(huì)論文匯編[C];2003年

6 趙冰;肖亮;于丹;張國(guó)勝;杜喬;蓋振偉;徐碧云;;兩種腦機(jī)接口算法對(duì)比研究[A];第十二屆全國(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2018年

7 周鵬;趙欣;葛家怡;李寧;郁洪強(qiáng);王明時(shí);;基于運(yùn)動(dòng)想象的腦機(jī)接口的個(gè)性化設(shè)計(jì)方法研究[A];天津市生物醫(yī)學(xué)工程學(xué)會(huì)2008年年會(huì)暨首屆生物醫(yī)學(xué)工程與臨床論壇論文集[C];2008年

8 賈文艷;趙香花;高小榕;高上凱;楊福生;;2003年腦機(jī)接口數(shù)據(jù)競(jìng)賽論文之五——想像左右手運(yùn)動(dòng)的單次腦電信號(hào)分類[A];首屆全國(guó)功能神經(jīng)影像學(xué)和神經(jīng)信息學(xué)研討會(huì)論文匯編[C];2003年

9 S.西爾維希耶;;馬斯克的新公司Neuralink,到底是干啥的?[A];《科學(xué)與現(xiàn)代化》2018年第1期（總第074期）[C];2018年

10 何慶華;吳寶明;王禾;鐘渝;杜曉蘭;彭承琳;;瞬態(tài)視覺誘發(fā)電位在腦機(jī)接口中的實(shí)驗(yàn)研究[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)記者 劉園園;顛覆人機(jī)交互 腦機(jī)接口正走向現(xiàn)實(shí)[N];科技日?qǐng)?bào);2018年

2 記者 陳建強(qiáng) 劉茜 通訊員 焦德芳 董sバ，

本文編號(hào)：2643082