检索结果-内蒙古大学图书馆

仪器仪表学报 2015年第5期36卷 1064-1071页

作者：李明爱田晓霞孙炎珺杨金福北京工业大学电子信息与控制工程学院北京100124 计算智能与智能系统北京市重点实验室北京100124

为解决运动想象脑电信号(MI-EEG)的识别方法泛化能力受限和自适应性差等问题,对传统的生长、分层自组织映射神经网络(GHSOM)进行改进,并提出一种主成分分析法(PCA)与改进的GHSOM神经网络(IGHSOM)相结合的脑电自适应识别方法。由于IGHSO... 详细信息

为解决运动想象脑电信号(MI-EEG)的识别方法泛化能力受限和自适应性差等问题,对传统的生长、分层自组织映射神经网络(GHSOM)进行改进,并提出一种主成分分析法(PCA)与改进的GHSOM神经网络(IGHSOM)相结合的脑电自适应识别方法。由于IGHSOM能够根据上一层扩展神经元的量化误差进行自动分层判断,使得其不仅对数据映射更加准确和详细,而且增强了网络的稳定性和自适应性。基于脑机接口(BCI)竞赛数据库,利用PCA进行特征提取,以IGHSOM为分类器进行实验研究。结果表明,该方法获得了较高的识别精度,验证了GHSOM改进策略及该识别方法的正确性和有效性。

关键词：运动想象脑电信号自适应性主成分分析 GHSOM神经网络识别

来源：评论

学校读者我要写书评

暂无评论

运动想象脑电信号特征提取与分类方法研究

运动想象脑电信号特征提取与分类方法研究

引用

作者：柴洋洋北京化工大学

学位级别：硕士

进行运动想象脑电信号特征提取与分类方法研究,是为了开发更加高效的脑机接口系统,帮助残疾人和健康人更好地控制外部设备,提高生活质量。本文研究所用的数据集为BCIC-IV-2a数据集和Open BMI数据集,分别包含四分类和二分类的运动想象脑... 详细信息

进行运动想象脑电信号特征提取与分类方法研究,是为了开发更加高效的脑机接口系统,帮助残疾人和健康人更好地控制外部设备,提高生活质量。本文研究所用的数据集为BCIC-IV-2a数据集和Open BMI数据集,分别包含四分类和二分类的运动想象脑电信号。本文的主要工作如下: (1)由于脑电信号具有复杂性,因此快速理解脑电信号的特征并对其进行处理具有一定的难度,因此本文对BCIC-IV-2a数据集中脑电信号的采集流程和数据集中的变量进行了详细分析,为后续的进一步分析做好铺垫。 (2)很多研究中虽然提到了脑电信号的时域、频域、时频域和空域等特征,但都未给出具体的参考实例进行解释说明。因此,本文对这些域的特征进行了可视化分析,弥补了现有研究的缺失,使得对人们能够对脑电信号特征的理解更加简明和直观。 (3)以往研究分别使用小波包分解和共空间模式各自结合其他方法对脑电信号进行分类,且常用于二分类运动想象脑电信号中,本文组合小波包分解和共空间模式的特征提取方法,提取时频域和空间域的特征,对BCIC-IV-2a数据集四分类运动想象脑电信号进行分类。 (4)由于传统的小波包分解和共空间模式的特征提取与分类方法是分阶段进行,首先需要手动进行特征提取,再将特征送入分类器进行分类,两个过程不能连续进行;采用深度学习方法对脑电信号特征提取与分类能够实现端到端的信号分类,特征提取后的特征值可被自动连续地应用于分类任务中,使得分类过程更加高效。本文设计的深度学习模型通过分组卷积,空间卷积和注意力机制分别实现了对频域、空域和时域的特征提取,提高了分类结果准确率。 (5)由于BCIC-IV-2a数据集中的样本容量较小,为提高训练效果和分类性能,本文通过数据增强和条件性生成型对抗性网络扩充了样本容量,进一步提高了分类准确率,为扩充样本容量提供了新思路。

关键词：运动想象脑电信号独立成分分析小波包分解共空间模式深度学习注意力机制条件性生成型对抗性网络

来源：评论

学校读者我要写书评

暂无评论

运动想象脑电信号预处理和多波段空间特征提取与分类模型

运动想象脑电信号预处理和多波段空间特征提取与分类模型

引用

作者：商勇兰州理工大学

学位级别：硕士

作为人类神经系统最重要的部分,人脑是学者们研究的重点。脑电是大脑中的大量神经元产生的电信号集合成的重要生理信号,更是相关学者们的研究焦点。脑电对人脑各个部位的功能的探索以及人工智能的发展都发挥着至关重要的作用。随着脑电... 详细信息

作为人类神经系统最重要的部分,人脑是学者们研究的重点。脑电是大脑中的大量神经元产生的电信号集合成的重要生理信号,更是相关学者们的研究焦点。脑电对人脑各个部位的功能的探索以及人工智能的发展都发挥着至关重要的作用。随着脑电应用领域、范围的不断扩大,脑电数据种类越来越多,对脑电处理方法的通用性、准确性等提出了越来越高的要求。运动想象脑电信号作为进行运动想象过程中大脑对应的功能区激发而产生的特征变化,是将运动想象脑电信号作为脑机接口系统输入信号的基础。本文对运动想象脑电信号的处理方法进行了研究,并使用第二届和第四届脑机接口(Brain-Computer Interface,BCI)竞赛的数据集对脑电信号处理方法进行测试,提出了新方法、新模型,提高了现有方法、模型的通用性、准确性。论文主要开展了以下内容的研究工作:第一:提出了一种改进型小波半软阈值方法。首先对原始信号进行小波分解,经小波分解后得到近似系数和细节系数,对得到的小波系数分别采用小波硬阈值方法、小波软阈值方法和改进型小波半软阈值方法对脑电原始信号进行消噪,将消噪后得到的信号重构,比较三种阈值方法的效果,并测试分析了独立成分分析方法的消噪能力。为验证后文构建的特征提取分类组合模型的性能提供了数据基础。第二:提出了一种基于重叠子带的滤波器组共空间模式(Overlapping Subband Filter Bank Common Space Pattern,OSFBCSP)脑电特征提取方法。该方法将脑电信号分为多个部分重叠的子带,利用共空间模式(Common Space Pattern,CSP)算法分别提取各个频带的特征,使用基于互信息的特征选择算法筛选有利于分类的若干特征。对该方法得到的特征与常用的特征提取方法进行对比,分析该方法的有效性。同时该算法与常用的特征提取算法构成了特征提取分类组合模型的重要环节。第三:提出了将广义径向基核函数(Generalized Radial Basis Functions,GRBF)用作支持向量机(Support Vector Machine,SVM)的核函数。与常用的多项式核函数、Sigmoid核函数、线性核函数、径向基核函数四种核函数进行仿真对比,选择表现优异的核函数用以提升支持向量机的性能。结果显示GRBF性能表现突出。因此,本课题选择GRBF作为SVM分类器的核函数。第四:提出一种改进型引力搜索算法(Improved Gravitational Search Algorithm,IGSA)对支持向量机参数进行优化,用以寻找GRBF核函数中的函数宽度?以及SVM算法中容错率因子C的最优参数以得到最佳SVM分类模型。将此算法与交叉验证算法(Cross Validation,CV)、遗传算法(Genetic Algorithm,GA)、引力搜索算法(Gravitational Search Algorithm,GSA)进行了优化性能测试对比,选择出最佳优化算法。并将六种特征提取算法与经过优化的支持向量机的组合算法在第二届和第四届BCI竞赛数据集上进行了测试,筛选出最佳的运动想象脑电信号处理组合模型。

关键词：模式识别运动想象脑电信号小波半软阈值改进型滤波器组共空间模式改进型引力搜索算法

来源：评论

学校读者我要写书评

暂无评论

运动想象脑电信号的特征提取算法的研究

运动想象脑电信号的特征提取算法的研究

引用

作者：王恒济南大学

学位级别：硕士

运动想象脑电信号的研究是目前的热点问题,它可以给有严重运动功能障碍的人提供一种与外界环境交流的便利途径,通过脑机接口的设计可成功“读取”脑电信号,实现脑与外部环境的信息交换,搭建与神经肌肉无关的“第二通路”。本文为了能更... 详细信息

运动想象脑电信号的研究是目前的热点问题,它可以给有严重运动功能障碍的人提供一种与外界环境交流的便利途径,通过脑机接口的设计可成功“读取”脑电信号,实现脑与外部环境的信息交换,搭建与神经肌肉无关的“第二通路”。本文为了能更好的对左右手运动想象脑电信号进行检测,方便脑电信号的研究,设计了脑电采集和处理系统,利用VC环境和Matlab混合编程,使得脑电信号采集和处理的一体化,实现了左右手想象脑电信号的判别功能。系统主要结构包括:硬件与软件的接口程序、用户信息的录入与读取、脑电图绘制、数据的保存、算法的选取、调用Matlab后续处理、接收处理反馈结果等功能。在Matlab环境下,主要重点实现运动想象信号的特征提取和分类识别两大功能,该系统的性能高低主要体现在系统能否快速有效的提取脑电信号中的具有代表性的特征信息。利用基于小波和小波包分解的方法,针对C3、C4电极通道的脑电信号,将脑电信号中各成分分别突出到不同尺度进行放大研究。本文提取的脑电信号特征包括:变化系数、波动指数和小波熵。在分类识别方面,选取了支持向量机、贝叶斯分类器、BP神经网络三种分类算法,通过严格的实验比较,综合评价三种算法在分类时间、分类准确率等方面的性能,最终得出支持向量机要优于其他两个算法的结论。最后反馈对信号的判别结果和准确率,经多次测试,准确率最高可达到98.32%。

关键词：运动想象脑电信号特征提取模式分类小波分解支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于EEMD和WT的运动想象脑电信号消噪方法

引用

传感技术学报 2016年第5期29卷 716-722页

作者：蔡慧马玉良佘青山高云园孟明杭州电子科技大学智能控制与机器人研究所杭州310018

采集到的运动想象脑电信号MI EEG(Motor Imagery Electroencephalogram)通常含有大量噪声信号。为了消除噪声同时保留尽可能多的有效信号,本文提出了将集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与改进小波阈值法相... 详细信息

采集到的运动想象脑电信号MI EEG(Motor Imagery Electroencephalogram)通常含有大量噪声信号。为了消除噪声同时保留尽可能多的有效信号,本文提出了将集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与改进小波阈值法相结合的消噪方法。改进小波阈值法采用了新的阈值选取规则和阈值函数。首先对信号进行EEMD分解,然后再对高频固有模态函数IMF(Intrinsic Mode Functions)进行改进小波阈值处理,最后将处理后的高频IMF分量和低频IMF分量进行重构得到消噪信号。以信噪比和均方根误差作为消噪效果的定量评价指标,将本文提出的方法与单纯使用EEMD分解消噪法、单独使用改进小波阈值消噪法、EMD与改进小波阈值法相结合消噪法进行比较,结果表明,本文提出的消噪法优于其他三种消噪法。

关键词：运动想象脑电信号消噪 EEMD 小波阈值法 IMF分量

来源：评论

学校读者我要写书评

暂无评论

基于盲源分离的运动想象脑电信号特征提取方法的研究

引用

计量学报 2015年第5期36卷 535-539页

作者：张立国张玉曼金梅于国辉燕山大学河北省测试计量技术与仪器重点实验室河北秦皇岛066004 秦皇岛视听机械研究所河北秦皇岛066000

运动想象脑电信号被广泛应用于脑机接口系统中。针对如何准确有效地提取运动想象脑电信号特征的问题，通过分析运动想象脑电信号时域、频域和头皮空间域的特征，提出了以小波变换为预处理，并利用二阶盲辨识算法和信息论特征提取算法相... 详细信息

运动想象脑电信号被广泛应用于脑机接口系统中。针对如何准确有效地提取运动想象脑电信号特征的问题，通过分析运动想象脑电信号时域、频域和头皮空间域的特征，提出了以小波变换为预处理，并利用二阶盲辨识算法和信息论特征提取算法相结合获取的空间滤波器，从时域、频域和头皮空间域对运动想象脑电信号进行特征提取的方法。实验结果表明，采用时域、频域和空间域提取特征的方法性能有明显提高，并且将二阶盲辨识算法和信息论特征提取算法相结合获取的空间滤波器能够反映更真实的大脑源活动。

关键词：计量学运动想象脑电信号特征提取盲源分离信息论特征提取空间滤波

来源：评论

学校读者我要写书评

暂无评论

运动想象脑电信号算法研究进展

引用

北京生物医学工程 2018年第2期37卷 208-214页

作者：裴一飞杨淑娟吉林大学

对脑电信号的研究,不仅可以提高人们对大脑的认知程度,还能够建立大脑与外界沟通的新途径。本文从运动想象脑电信号的特点出发,首先概述了近年来运动想象脑电信号分析与处理算法的发展状况,及脑电信号的特点;然后,着重分析了近年来常用... 详细信息

对脑电信号的研究,不仅可以提高人们对大脑的认知程度,还能够建立大脑与外界沟通的新途径。本文从运动想象脑电信号的特点出发,首先概述了近年来运动想象脑电信号分析与处理算法的发展状况,及脑电信号的特点;然后,着重分析了近年来常用的运动想象脑电信号特征提取与识别方法相关处理算法的优势、不足及其适用条件,包括功率谱分析法、小波分析法、样本熵法和共同空间模式法,以及线性判别、支持向量机等4种分类器;最后,总结了目前运动想象脑电信号处理算法发展中存在的识别种类单一,识别率不高,自适性不足等问题,探讨了运动想象脑电信号进一步研究的思路。

关键词：运动想象脑电信号脑电信号处理特征提取特征识别

来源：评论

学校读者我要写书评

暂无评论

运动想象脑电信号的特征提取和分类进展

引用

北京生物医学工程 2013年第2期32卷 209-214页

作者：孟霏张旭秀大连交通大学电气信息学院大连116028

运动想象脑电信号是指想象肢体运动而没有实际的肢体动作所产生的脑电信号。信号处理和模式分类方法是运动想象脑电信号以及整个BCl系统的核心技术。本文对基于运动想象的脑电信号的识别算法进行了综述。阐述了运动想象脑电特征提取和... 详细信息

运动想象脑电信号是指想象肢体运动而没有实际的肢体动作所产生的脑电信号。信号处理和模式分类方法是运动想象脑电信号以及整个BCl系统的核心技术。本文对基于运动想象的脑电信号的识别算法进行了综述。阐述了运动想象脑电特征提取和分类的方法,比较了各种方法的特点,分析了几种典型的特征提取和识别算法的组合,并且总结了运动想象脑电信号的特征提取和分类的发展现状和前景。

关键词：脑机接口运动想象脑电信号特征提取分类器

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的多任务运动想象脑电信号分类方法研究

基于卷积神经网络的多任务运动想象脑电信号分类方法研究

引用

作者：于跃长春工业大学

学位级别：硕士

近年来,脑卒中导致的运动功能障碍患者数量持续增多,人们对脑卒中早期康复治疗越来越重视。传统的康复训练任务需要医师配合,然而,大量的脑卒中患者导致康复医师数量供不应求。康复机器人可以提供个性化康复训练、实现早期康复干预和提... 详细信息

近年来,脑卒中导致的运动功能障碍患者数量持续增多,人们对脑卒中早期康复治疗越来越重视。传统的康复训练任务需要医师配合,然而,大量的脑卒中患者导致康复医师数量供不应求。康复机器人可以提供个性化康复训练、实现早期康复干预和提供实时反馈,在脑卒中康复训练中的应用越来越广泛。运动想象脑电信号分类算法可以与康复机器人结合,使患者通过脑电信号操控康复机器人执行特定康复动作,实现更加精准和个性化的康复训练,增强康复效果,对运动功能障碍者的肢体康复具有重要的意义。针对多任务运动想象脑电信号信噪比低、识别准确率低、模型训练速度慢和跨个体识别效果不佳等问题,本文对脑电信号数据采集、运动想象意图分类、优化梯度反向传播和跨个体脑电分类展开研究,主要研究工作包括: (1)针对脑电信号低信噪比问题,设计多任务的运动想象范式,根据脑电(Electroencephalogram,EEG)信号在头皮上的位置特性,制定多通道EEG信号采集方案,对脑卒中患者进行运动想象脑电信号的采集,并对采集得到的原始EEG信号进行预处理和伪迹去除等操作,以增强脑电信号的信噪比。 (2)针对卷积神经网络无法深度提取脑电时频特性问题,利用连续小波变换对预处理后的数据进行时频域信息提取,将一维数据转换为二维图像,增加数据分布的规律性。此外,通过通道注意力机制将不同通道的特征信息赋予不同的权值,进而提升模型识别脑电信号精度。通过对自建的脑卒中患者运动想象脑电数据集和官方的数据集进行训练和测试,验证了所设计网络对脑电信号分类效果的优越性。 (3)针对神经网络反向传播中梯度消失和梯度爆炸问题,根据反向传播中梯度的链式更新法则,设计Sig ENU激活函数对梯度的反向传播进行优化。通过对自建的脑卒中患者运动想象脑电数据集和官方的数据集进行训练和测试,验证本文设计的激活函数在多任务运动想象脑电信号分类上的可行性、有效性和优越性。 (4)针对单一模型在不同个体的意图识别中性能不佳问题,采用数据对齐技术对不同个体的数据进行迁移。通过对迁移前后网络模型的分类准确率和特征分布进行对比分析。实验结果表明,数据对齐后的不同个体的数据分布更为相似,基于数据对齐的卷积神经网络模型对跨个体脑电信号分类具有良好的分类效果。

关键词：运动想象脑电信号注意力机制反向传播激活函数数据对齐

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的运动想象脑电信号分类研究

基于深度学习的运动想象脑电信号分类研究

引用

作者：于子航吉林大学

学位级别：硕士

通过意念对外部设备进行控制已经成为了人工智能及脑科学领域研究的热点内容之一。运动想象脑电(Motor Imagery Electroencephalogram,MI EEG)信号是非平稳、非线性且持续的随机时间序列信号,传统的机器学习方法现已不足以对其特征进行... 详细信息

通过意念对外部设备进行控制已经成为了人工智能及脑科学领域研究的热点内容之一。运动想象脑电(Motor Imagery Electroencephalogram,MI EEG)信号是非平稳、非线性且持续的随机时间序列信号,传统的机器学习方法现已不足以对其特征进行更完善的提取。本文基于深度学习方法和脑科学领域的相关先验知识,设计了一种可有效提升MI EEG信号分类精度的轻量化特征融合神经网络模型。具体研究工作如下:1.针对一些先进神经网络模型的预训练数据集与MI EEG信号数据集规模不匹配的问题,本文首先通过连续小波变换(Continous Wavelet Transform,CWT)对原始的一维MI EEG信号的时间-频率域特征进行提取,然后通过超分辨率复原实现对MI EEG信号时频图像数据集的数据增强。实验结果表明,相比传统数据增强方法(如噪声注入、色域变换等),通过超分辨率复原生成对抗网络(Enhanced Super-Resolution Generative-Adversarial Network,ESRGAN)实现对MI EEG信号时频图像的数据增强对提升分类精度表现出的性能最佳,有效促进了深度学习与MI EEG信号分类的结合。2.针对现有算法对于MI EEG信号分类精度低的问题,本文提出一种基于注意力机制和张量分解的轻量级特征融合网络(Attention based Lightweight Feature Fusion Network,ALFFN)。为提升对高低层语义特征的利用率,本文在每一个密集残差块的输出端增设特征融合模块,并通过改进的注意力机制筛选出对分类结果贡献较高的部分特征图。此外,本文通过低秩近似和奇异值分解(Singular Value Decomposition,SVD)对模型进行压缩,大幅精简了模型参数量,轻量化处理后的ALFFN模型的参数量被压缩了接近10倍。实验结果表明,本文提出算法的平均准确率为91.58%,平均Kappa值为0.881。T检验的结果表明ALFFN的性能在参数压缩了近10倍后与压缩前无显着差异。本文的研究为MI EEG信号分类提供了新的实现方案。

关键词：运动想象脑电信号数据增强注意力机制特征融合模型压缩

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：