基于卷積神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)檢測(cè)與腦機(jī)接口實(shí)現(xiàn).pdf

1、隨著人工智能算法的快速發(fā)展以及醫(yī)療系統(tǒng)的應(yīng)用需求，許多國(guó)家和地區(qū)開(kāi)始建立以大腦為研究核心的腦計(jì)劃項(xiàng)目，腦-計(jì)算機(jī)接口(Brain-Computer Interface，BCI)技術(shù)研究正是腦計(jì)劃項(xiàng)目中的研究熱點(diǎn)之一。BCI系統(tǒng)通過(guò)全新的方式建立大腦與外界設(shè)備的連接。根據(jù)獲取腦電誘發(fā)電位的方式不同可將BCI系統(tǒng)分為兩類:基于運(yùn)動(dòng)想象的腦-機(jī)接口系統(tǒng)和基于誘發(fā)電位的腦-機(jī)接口系統(tǒng)?；谶\(yùn)動(dòng)想象的腦-機(jī)接口系統(tǒng)不需要通過(guò)與外界交流來(lái)獲取誘發(fā)電

2、位，只需要受試者自身的單邊肢體運(yùn)動(dòng)或想象運(yùn)動(dòng)，從而在大腦對(duì)側(cè)產(chǎn)生相對(duì)應(yīng)的事件誘發(fā)電位;基于誘發(fā)電位的腦-機(jī)接口系統(tǒng)主要通過(guò)與外界的交流來(lái)獲取誘發(fā)電位，一般基于視覺(jué)刺激，通過(guò)特定頻率的刺激信號(hào)誘發(fā)大腦皮層產(chǎn)生相關(guān)電位，典型的誘發(fā)電位主要有P300信號(hào)與穩(wěn)態(tài)視覺(jué)誘發(fā)電位(Steady-State Visually Evoked Potentials，SSVEP)。
　　腦-機(jī)接口系統(tǒng)的關(guān)鍵在于有效誘發(fā)信號(hào)的獲取以及信號(hào)的特征提取，傳統(tǒng)

3、的BCI分類算法主要包括線性判別分析算法(Linear Discriminant Analysis，LDA)及其規(guī)則化算法:逐步線性判別分析算法(Stepwise Linear Discriminant Analysis，SWLDA)、收縮線性判別分析算法(Shrinkage Linear Discriminant Analysis，SKLDA)。SWLDA和SKLDA算法主要解決LDA算法存在的小樣本問(wèn)題，雖然其能夠在一定程度上改善L

4、DA算法的小樣本問(wèn)題，但其在充足樣本下的算法識(shí)別率無(wú)法有效保持。
　　近年來(lái)，隨著深度學(xué)習(xí)算法的發(fā)展，其在圖像處理領(lǐng)域的應(yīng)用已經(jīng)展現(xiàn)出巨大的潛力，對(duì)于圖像識(shí)別的性能有了質(zhì)的提高。在其他領(lǐng)域，如語(yǔ)音識(shí)別、生物醫(yī)學(xué)信號(hào)處理等，關(guān)于深度學(xué)習(xí)的研究與應(yīng)用也在不斷深入。本論文基于深度學(xué)習(xí)算法典型模型，主要針對(duì)腦電信號(hào)中的P300信號(hào)進(jìn)行研究;同時(shí)基于SSVEP信號(hào)，設(shè)計(jì)并實(shí)現(xiàn)基于OMAP3530的腦-機(jī)接口系統(tǒng)。論文研究成果如下:
　

5、　1)基于LDA、SWLDA、SKLDA算法，以BCIⅢ競(jìng)賽數(shù)據(jù)為基礎(chǔ)，測(cè)試85個(gè)目標(biāo)字符在三種算法下的分類準(zhǔn)確率，可以驗(yàn)證SWLDA算法、SKLDA算法能夠在一定程度上改善小樣本問(wèn)題，但無(wú)法保證充足樣本下的算法分類準(zhǔn)確率。
　　2)設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Netwoks，CNN）算法模型，借鑒CNN算法在圖像特征學(xué)習(xí)中的“局部感受野”與“權(quán)值共享”思想，以P300實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，不斷進(jìn)行特

6、征學(xué)習(xí)、特征表示以及各隱藏層權(quán)重參數(shù)的優(yōu)化。以185個(gè)目標(biāo)字符作為實(shí)驗(yàn)數(shù)據(jù)，得出不同訓(xùn)練字符、不同樣本疊加平均下的分類識(shí)別率，并與傳統(tǒng)算法進(jìn)行詳細(xì)對(duì)比，分類準(zhǔn)確率有了進(jìn)一步提高，并且隨著樣本數(shù)目的增多算法會(huì)有更好的性能。與傳統(tǒng)算法相對(duì)比，算法具有更好的泛化能力，對(duì)于深度學(xué)習(xí)算法模型與腦-機(jī)接口系統(tǒng)的融合具有重要參考價(jià)值。
　　3)基于穩(wěn)態(tài)視覺(jué)誘發(fā)電位，設(shè)計(jì)并實(shí)現(xiàn)基于OMAP3530的腦-機(jī)接口系統(tǒng)。通過(guò)LED視覺(jué)刺激器的設(shè)計(jì)以及誘