腦機接口(brain-computer interface,BCI)能夠不依賴于外周神經(jīng)和肌肉組織,實現(xiàn)人腦對外界設備的直接控制,被廣泛應用于醫(yī)療康復、教育、智能家居等領域。腦電圖(electroencephalogram,EEG)是應用電極在頭皮表面記錄的自發(fā)腦電活動。然而由于EEG信號的非平穩(wěn)性等特點,傳統(tǒng)的腦機接口系統(tǒng)往往需要當前用戶執(zhí)行耗時的訓練階段來獲取足夠多的標注樣本,進而建立可靠的分類模型。但是較長的訓練時間加重了用戶的負擔,降低了腦機接口系統(tǒng)的實用性。運動想象腦電是腦機接口中一種常用的腦電信號,本文引入遷移學習思想用于減少運動想象腦機接口系統(tǒng)所需的訓練時間。一般而言,可以通過遷移學習利用其他受試者的有標簽EEG樣本輔助當前受試者的分類模型訓練。在這種學習模式下,無需獲取當前受試者的大量有標簽EEG樣本就能夠得到性能良好的分類器,從而減少了當前受試者耗費的訓練時間。目前,大多數(shù)應用于腦機接口中的遷移學習算法仍然需要當前受試者的少量有標簽EEG樣本。與此不同,本文提出的算法只利用當前受試者的無標簽EEG樣本進行知識遷移。本文的主要研究工作如下:(1)提出一種黎曼幾何框架下流...

【文章頁數(shù)】：75 頁

【學位級別】：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 腦機接口技術概述
        1.2.1 腦機接口系統(tǒng)組成
        1.2.2 腦機接口中常用的腦電信號
        1.2.3 腦機接口系統(tǒng)的分類
        1.2.4 腦機接口系統(tǒng)面臨的問題
    1.3 論文研究內(nèi)容與結構安排
第二章 遷移學習及其在腦機接口中的應用
    2.1 遷移學習簡介
        2.1.1 遷移學習與傳統(tǒng)機器學習的區(qū)別
        2.1.2 遷移學習的定義
        2.1.3 遷移學習的分類
    2.2 遷移學習在腦機接口中的應用
    2.3 本章小結
第三章 黎曼幾何框架下流形嵌入分布對齊的遷移學習
    3.1 黎曼幾何框架
        3.1.1 黎曼幾何簡介
        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齊的遷移學習算法
        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 集成分布對齊的分類器
        3.2.5 算法步驟
    3.3 實驗與分析
        3.3.1 實驗數(shù)據(jù)及預處理
        3.3.2 實驗設計與結果分析
    3.4 本章小結
第四章 基于卷積神經(jīng)網(wǎng)絡的遷移學習算法
    4.1 卷積神經(jīng)網(wǎng)絡及其在腦機接口中的應用
    4.2 基于卷積神經(jīng)網(wǎng)絡的遷移學習算法
        4.2.1 淺層卷積神經(jīng)網(wǎng)絡的網(wǎng)絡結構
        4.2.2 基于淺層卷積神經(jīng)網(wǎng)絡的遷移學習算法
        4.2.3 遷移模型的訓練算法
    4.3 實驗與分析
        4.3.1 實驗數(shù)據(jù)與預處理
        4.3.2 實驗設計
        4.3.3 實驗結果與討論
    4.4 本章小結
總結與展望
    總結
    展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件



本文編號：3800848