论文部分内容阅读
脑机接口是人机交互中一个重要研究领域，可通过脑电信号(EEG)来反映人体的各项机能，包括疲劳、情绪和健康情况等。针对脑电信号的研究不仅可以提高人机交互的深度和广度，还有助于理解人脑认知过程中的信息处理机制。EEG信号有着很高的时间分辨率，且包含着丰富的电极间关联信息，这就是脑电中的时空特征；深度学习技术以其从数据中学习有效表征的强大能力，已经在多个图像领域得到广泛应用，然而在脑电信号分析方面的探索还十分有限。本文基于多通道脑电信号，旨在发展结合时空分析的深度学习模型来提取其稳定的任务相关表征，主要完成工作如下：
1)发展了一种时空卷积神经网络来辨识受试者在不同驾驶疲劳状态下的脑电信号。本文设计实验收集了8个受试者在模拟驾驶过程中从正常状态到疲劳状态的全部脑电信号，并发展了时空卷积神经网络，其主要思路可概括为：首先通过一个核心模块来处理EEG信号在时间维度上的信息，然后利用密集层来融合电极间的空间信息。结果表明，这个方法融合了EEG信号的时空信息，在疲劳二分类任务中取得了97.37%平均正确率和3.30%标准差。
2)发展了一种通道融合密集卷积网络来应用到情绪脑电分类任务中辨识受试者的不同情绪状态。这里使用了两个常用的公开情绪脑电数据集，主要思路可概括为：首先利用一维卷积对脑电信号中提取出的微分熵特征做加权特征组合，然后通过一维密集结构来抓取空间维度上的电极关联信息。结果表明，这个方法能够很好地处理时域特征和电极关联信息，在SEED数据集上取得90.63%正确率，在DEAP数据集上取得92.09%和92.82%正确率，优于大多数已有文献。
3)发展了一种双输入卷积神经网络来进一步提升EEG辨识任务中的分类正确率，其主要思路可概括为：首先使用三层全卷积结构来处理EEG信号序列以获取其时域和空间域的信息，同时提取5个主要频带下的微分熵特征作为模型另一个输入来获取其频域信息。这个模型结合了第一个工作中的信号输入模型和第二个工作中的特征输入模型，以双输入模式从时域、频域和空间域三个方面来学习EEG信号中的任务表征。这里也使用了上述两个公开数据集，验证结果表明，该模型在SEED数据集上取得95.74%正确率，在DEAP数据集上取得96.58%和96.51%正确率，与已有文献相比均有一定提升。
1)发展了一种时空卷积神经网络来辨识受试者在不同驾驶疲劳状态下的脑电信号。本文设计实验收集了8个受试者在模拟驾驶过程中从正常状态到疲劳状态的全部脑电信号，并发展了时空卷积神经网络，其主要思路可概括为：首先通过一个核心模块来处理EEG信号在时间维度上的信息，然后利用密集层来融合电极间的空间信息。结果表明，这个方法融合了EEG信号的时空信息，在疲劳二分类任务中取得了97.37%平均正确率和3.30%标准差。
2)发展了一种通道融合密集卷积网络来应用到情绪脑电分类任务中辨识受试者的不同情绪状态。这里使用了两个常用的公开情绪脑电数据集，主要思路可概括为：首先利用一维卷积对脑电信号中提取出的微分熵特征做加权特征组合，然后通过一维密集结构来抓取空间维度上的电极关联信息。结果表明，这个方法能够很好地处理时域特征和电极关联信息，在SEED数据集上取得90.63%正确率，在DEAP数据集上取得92.09%和92.82%正确率，优于大多数已有文献。
3)发展了一种双输入卷积神经网络来进一步提升EEG辨识任务中的分类正确率，其主要思路可概括为：首先使用三层全卷积结构来处理EEG信号序列以获取其时域和空间域的信息，同时提取5个主要频带下的微分熵特征作为模型另一个输入来获取其频域信息。这个模型结合了第一个工作中的信号输入模型和第二个工作中的特征输入模型，以双输入模式从时域、频域和空间域三个方面来学习EEG信号中的任务表征。这里也使用了上述两个公开数据集，验证结果表明，该模型在SEED数据集上取得95.74%正确率，在DEAP数据集上取得96.58%和96.51%正确率，与已有文献相比均有一定提升。