论文部分内容阅读
脑电信号包含了大量人体的生理信息，可以反映出大脑皮层和头皮中脑细胞的电生理活动。脑-机接口技术(Brain-Computer Interface, BCI)是一种基于脑电信号的人机交互方式，其关键技术在于从脑电数据中判别使用者的主观意图以实现外部设备的控制，为完成不依赖周围神经系统与肌肉通讯系统而直接进行人脑与外部环境的信息交互提供了一种新的通讯方法。运动想象(Motor Imagery, MI)，作为一种易采集且无需外界刺激的自发脑电，已成为脑电信号研究方向的一大热门领域，受到越来越多的科学家与学者广泛关注。
由于脑电信号信噪比低，有效的脑电信号特征提取与模式分类方法成为该领域当前研究热点。随着人工智能技术的突飞猛进，深度学习在脑电信号识别领域取得了良好的效果。本文对常用的运动想象脑电信号识别的深度学习网络模型进行了详细介绍，包括深度信念网络(Deep Belief Network, DBN)、卷积神经网络(Convolutional Neural Network, CNN)和自动编码机(Auto-Encoder, AE)。
针对常用的深度学习模型存在通常都需要大量的数据支撑和参数冗余、计算复杂等问题，本文在传统自动编码机的基础上提出基于半监督学习的卷积降噪自动编码机网络模型。该网络引入半监督学习模式以利用不带标签的脑电信号样本中的隐含信息，对小样本脑电信号的研究提供了新的思路。该算法在输入层加入降噪系数，能够更好地应对数据间的细微变化。同时，为了克服训练时参数过多的问题，模型采用权值共享机制。将该算法应用到识别运动想象脑电信号实验中，实验结果阐明该方法可以有效地对运动想象脑电信号进行识别。采用Friedman检验和Holm事后检验将所提方法与其他一些典型的EEG识别算法进行比较，结果表明该模型不仅提高了信号准确率还具有更强的鲁棒性和良好泛化能力。
针对脑电信号多通道采集存在着互信息，提出一种基于K近邻算法的平滑自动编码机。模型根据K近邻算法原理，对输入层加入相邻数据信息组成新输入，最大程度上保留了信息间的关联，进行有目的的学习。实验结果表明所提方法进一步提高了识别准确率，为运动想象脑电识别提供了新思路。
由于脑电信号信噪比低，有效的脑电信号特征提取与模式分类方法成为该领域当前研究热点。随着人工智能技术的突飞猛进，深度学习在脑电信号识别领域取得了良好的效果。本文对常用的运动想象脑电信号识别的深度学习网络模型进行了详细介绍，包括深度信念网络(Deep Belief Network, DBN)、卷积神经网络(Convolutional Neural Network, CNN)和自动编码机(Auto-Encoder, AE)。
针对常用的深度学习模型存在通常都需要大量的数据支撑和参数冗余、计算复杂等问题，本文在传统自动编码机的基础上提出基于半监督学习的卷积降噪自动编码机网络模型。该网络引入半监督学习模式以利用不带标签的脑电信号样本中的隐含信息，对小样本脑电信号的研究提供了新的思路。该算法在输入层加入降噪系数，能够更好地应对数据间的细微变化。同时，为了克服训练时参数过多的问题，模型采用权值共享机制。将该算法应用到识别运动想象脑电信号实验中，实验结果阐明该方法可以有效地对运动想象脑电信号进行识别。采用Friedman检验和Holm事后检验将所提方法与其他一些典型的EEG识别算法进行比较，结果表明该模型不仅提高了信号准确率还具有更强的鲁棒性和良好泛化能力。
针对脑电信号多通道采集存在着互信息，提出一种基于K近邻算法的平滑自动编码机。模型根据K近邻算法原理，对输入层加入相邻数据信息组成新输入，最大程度上保留了信息间的关联，进行有目的的学习。实验结果表明所提方法进一步提高了识别准确率，为运动想象脑电识别提供了新思路。