没有合适的资源?快使用搜索试试~ 我知道了~
基于卷积神经网络的自适应样本加权脑机接口建模.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 23 浏览量
2022-11-03
19:55:12
上传
评论
收藏 189KB DOCX 举报
温馨提示
试读
9页
基于卷积神经网络的自适应样本加权脑机接口建模.docx
资源推荐
资源详情
资源评论
0 引言
脑计算机接口(brain-computer interface,BCI)是一种允许用户直接通过大脑与计算机或设备交互的
技术.它使用户能够通过诸如脑电图(electroencephalography,EEG)、皮层脑电图(electrocorticogram,
ECoG)、脑磁图(magnetoencephalography,MEG)、功能性磁共振(functional magnetic resonance
imaging,fMRI)和功能性近红外(functional near infrared spectroscopy,fNIRS)等技术与外界环境进行通
信.在各种类型的 BCI 中,基于 EEG 的 BCI 系统具有无创性、较好的时间分辨率、易用性、更低的价格
等优点,近年来越来越多地被使用
[1]
.基于 EEG 的 BCI 在智能假肢、轮椅控制及康复训练方面已被证明是
非常有前景的技术
[2-3]
. BCI 中经常使用的 EEG 信号模式包括稳态视觉诱发电位(steady state visual
evoked potentials,SSVEP)、P300 事件相关电位(event-related potentials,ERP)、慢皮层电位(slow
cortical potentials,SCP)和运动想象(motor imagery,MI).与其它信号模式相比,MI 是一种自发产生的脑
电模式,即不需要外界的刺激就可以自主产生特定脑电模式,具有良好的应用前景
[4]
.
对不同类别的运动想象信号进行解码,识别出正确的类别来控制外界设备是脑机接口的关键技术.传
统的脑电信号解码方法以经典机器学习方法为基础,包括信号预处理、特征提取和分类三步,通过人为选
择合适的预处理算法与特征提取方法,配以经典的分类器如 LDA(linear discriminant analysis)、
SVM(support vector machine)等,在一些脑机接口问题上取得了良好的效果
[5]
.但是依然存在着分类精度
不足、算法主观性强、信息传输速率低等问题.并且,这种方法将高维的脑电信号手动降维到低维的特征
空间中,损失了大量原始信号中的信息,成为限制脑电信号解码精度的一个重要因素.如何原始信号中无
损的提取全部信息,建立纯数据驱动的端到端的模型,是未来脑电信号处理的一个重要方向.
近年来,深度学习作为一种纯数据驱动的方法,在多个领域得到了广泛的研究和应用
[6]
.相对于传统
的机器学习方法,深度神经网络不需要人为地提取特征,而是直接从原始信号出发,在网络内部自发的进
行特征的计算
[7-10]
.在脑机接口领域,也有研究人员开始进行使用卷积神经网络(convolutional neural
network,CNN)解码脑电信号的研究.然而,很多研究只是把 CNN 单纯地当作分类器,在意图识别算法中
依然保留了特征提取部分
[11-15]
. CNN 在脑机接口领域中更有前景的应用方案是直接对脑电信号进行处理并
使分类结果达到可接受精度.这方面的研究较少,一个重要的原因是 CNN 是针对图像处理设计的,而
EEG 信号与图像的特性差别很大.与 2 维静态图像相比,EEG 既有时间上的连续分布,又有大脑表面的空
间分布
[16]
.因此,CNN 需要针对 EEG 信号进行调整.本文针对 EEG 信号这种时空 2 维分布的特性,在
CNN 网络中将空域滤波和时域滤波两个维度的处理进行了解耦.
除了信号特性的差异,阻碍 CNN 在脑电信号分析中应用的另一个巨大因素是数据量少.相比于图像
处理领域百万级数的数据量,脑电分析中的数据量要少的多,单人数据往往少于 1 000 个样本点.目前的
EEG 分析主要建立单人模型,也既对每一个使用者单独采集数据,然后建立针对该使用者的模型.为了满
足深度学习对训练样本数目的需求,一个有效的手段是使用其他人的脑电数据来建立目标用户的模型
[17-
19]
.虽然不同人在进行同样的行为时,其大脑活动具有相似的规律,但脑电信号仍然具有很强的个体差异
性,往往会服从不同的分布,这也是传统模型都会针对个体建立单独模型的原因.为了克服这个问题,研
究人员提出了不同的方案来减小个体差异对模型的影响,比如,针对 CSP(common spatial pattern)算法
的正则化方法
[20-21]
,不同数据集的域适应方法等
[22]
.文[23]研究了如何对不同人数据的原始信号进行自适应
处理,使之能够与目标个体脑电信号匹配.但是这些方法无法直接迁移到 CNN 这种纯数据驱动的方法上
面.针对该问题,本文提出了一套利用影响函数对其他人 EEG 数据进行筛选并重采样,使之满足目标个体
分布的方法.影响函数是统计学中一个经典技术,用来评估当给训练集中的某一个数据一个微小的权重变
资源评论
罗伯特之技术屋
- 粉丝: 3691
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功