论文部分内容阅读
脑-机接口(Brain-Computer Interface,BCI)是一种独立于外围神经与肌肉系统的人机交互技术,在医疗、军事和娱乐等诸多领域具有潜在应用价值。脑电信号(Electroencephalogram,EEG)的特征提取及识别是实现脑-机接口的关键,但是由于脑电信号具有高维数、非线性、非平稳性等特点,使得对其进行建模和分析十分困难。传统的脑电信号特征提取算法容易造成信息丢失,深度学习具有强大的非线性和高维数据处理能力,能够自动从原始输入中发现数据的本质特征,所以近年来也被应用到脑电信号的分析中。本文首先对脑电信号特征提取及识别常用的深度学习方法进行了研究,包括深度信念网络(Deep Belief Network,DBN)、稀疏自动编码机(Sparse Autoencoder,SAE)、卷积神经网络(Convolutional Neural Network,CNN),针对这些深层神经网络方法采用BP微调时容易导致梯度弥散的问题,选定深层堆叠网络(Deep Stacking Network,DSN)作为基础网络,因为DSN实现了深层神经网络各层的有监督训练,有效避免了梯度弥散现象。针对DSN的中间层完全未知导致其学习结果无法解释的问题,通过引入先验知识改变隐含层的初始化方式,对其隐含层进行可视化建模,再使用粒子群优化(Particle Swarm Optimization,PSO)算法优化其输入权值,提出了一种PSO优化的隐层部分可见深层堆叠网络。将所提方法应用于运动想象EEG的特征提取及识别,并将识别结果与一些典型的EEG特征提取算法进行比较。结果表明,所提方法比典型特征提取算法获得更高的识别准确率,并且对脑电信号记录时间的变化有一定的鲁棒性。针对监督学习容易造成未标记样本的浪费和传统特征提取方法容易导致信息丢失的问题,提出一种半监督特征学习方法。将受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)的无监督学习与DSN的监督微调相结合,先对多个RBM进行独立无监督预训练,用于初始化神经网络的参数,再采用基于批量模式的梯度下降算法进行微调。实验表明,该算法对运动想象脑电信号的识别具有较好的效果。