基于深度学习的运动想象脑电信号分类算法研究

摘要

脑机接口（Brain Computer Interface，BCI）技术是一种不依赖除大脑以外的肌肉和神经，在大脑与计算机或其它电子设备之间建立直接交流的人机交互技术。该技术的应用前景广阔，包括帮助残障人士进行康复治疗，加速人类对大脑的探索，快速进行目标检测等不同应用方向，是一项值得深入研究的课题。根据脑电信号(Electroencephalogram，EEG)产生方式的不同BCI系统有着不同的分类，本文研究的是自发式BCI中的运动想象(Motor Imaginary，MI)系统，即受试者在内心反复想象肢体运动但实际保持静止，采集该过程中大脑皮层产生的脑电信号，分析其携带特征从而对不同想象任务进行分类。
　　目前，以运动想象EEG信号作为待分类信号的BCI系统大多按照手动选择特征明显的导电极通道（C3，C4区域附近通道）进行预处理，在选取的通道上寻找适合的特征提取算法，根据提取的特征在多种不同的分类算法中选择效果最佳分类器的步骤进行BCI系统的设计。该方式在单名受试者EEG信号的二分类问题上准确率普遍集中在72％-85％之间，但是存在选择通道凭经验、特征提取不完全、不同受试者差异大等多种问题。针对这些问题本文选择可以从数据中自动学习特征并进行分类的深度学习算法进行研究，实验只需设计一个分类器且无需手动选择通道，简化了BCI系统的设计流程。
　　本文的工作主要分为三部分。第一部分深入系统的了解了运动想象脑电信号产生的机制和特性，并由此设计EEG信号的采集实验。对采集到的EEG信号进行简单的时域分析、频域分析、及时频分析。剔除异常样本后采用小波重构的方式对运动想象EEG信号的特定频段进行提取;第二部分本文根据运动想象脑电信号的特点着重探讨了卷积神经网络(CNN)及长期短期记忆网络(LSTM)两种分类算法。本文在深入的分析了选择该算法的原因后，设计了多种不同的网络结构并分别在单人和多人上进行训练。通过对实验结果的分析选择最优的网络结构，并尝试分析该结构效果相较其他结构有优势的原因;第三部分采用了一种综合时域、频域及空域的脑电信号处理方法。该方法用于分析由脑电信号按时间顺序转化成的一系列功率谱图，将CNN算法与LSTM算法结合提取更全面的特征。实验发现该算法在单人和多人训练的分类准确率上都有很大的提升，具有更好的鲁棒性。该方法可作为通用的EEG信号处理方法，为脑电信号的分类提供了一种新颖的思路。

目录

声明

摘要

第1章绪论

1．1研究背景与意义

1．1．1脑机接口简介

1．1．2研究意义

1．2国内外研究现状

1．2．1视觉驱动电势系统研究现状

1．2．2事件相关电位系统研究现状

1．2．3慢皮层电位系统研究现状

1．2．4事件相关同步／去同步系统研究现状

1．2．5 BCI研究现状中存在的问题

1．3研究内容与论文组织结构

1．3．1研究内容

1．3．2论文组织结构

第2章脑电信号采集及预处理

2．1脑机接口生理基础

2．1．1人脑结构及皮质层分区

2．1．2脑电信号分类

2．1．3事件相关同步／去同步现象

2．2脑电信号分析方法

2．3脑电信号采集

2．4脑电信号预处理

2．5本章小结

第3章基于深度学习的脑电信号分类算法研究

3．1深度学习主要方法

3．1．1卷积神经网络

3．1．2循环神经网络

3．2．1 CNN分类器设计与训练

3．2．2实验结果与分析

3．3基于LSTM的脑电信号分类

3．3．1 LSTM分类器设计与训练

3．3．2实验结果与分析

3．4本章小结

第4章综合时-频-空域特征的脑电信号分类算法研究

4．1综合时-频-空域特征的脑电信号分类算法

4．2分类器设计与训练

4．3实验结果与分析

4．4本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢