检索历史 清除

摘要脑机接口（Brian-computerinterface，BCI）系统是当人们脱离了大脑与肌肉组织之间的相互联系时，它能够提供一种非神经传导的渠道，帮助人们建立与外界交流信息的通信系统。脑机接口中最为常见的脑电信号(Electroencephalogram，EEG)是P300信号。P300脑电波是一种内源性事件相关电位，它可以在事件决策过程中随着受试者对刺激的反应而捕获，研究者通过对P300脑电信息的捕获即可知道受试者的决策结果。P300检测在BCI领域中有许多应用，然而，在实际应用中仍存在系统信息传输速率差和信息传输准确率低等问题。针对上述问题，本文研究基于深度学习网络的P300的脑机接口系统主要做了以下的研究工作：<br>　　在P300脑电信号的预处理部分，本文提出了用主成分分析法(PrincipalComponentsAnalysis，PCA)对P300脑电信号降维。主成分分析算法通过提取数据中变量之间的相互关系，以统计学上最佳的方式对数据进行线性变换。主成分分析法计算了P300脑电数据不同维度间的特征向量，将所有的特征向量赋予权值，权值对应着每一个特征向量的特征值，研究者按递减顺序对权值对应的特征向量排序，删掉权值较小的特征向量，从而实现多维脑电数据的降维目的。从实验结果上比较，主成分分析算法不但保证了P300脑电信号识别的高准确率，也提高了字符输入的速度。<br>　　在P300脑电信号的特征分类识别部分，本文提出了使用新的深度学习网络算法：(1)将单核卷积层扩展成多核卷积层，加深了卷积神经网络的深度，对预处理后的P300脑电信号特征进行优选。将深度卷积神经网络算法用于分类识别P300脑电信号，这种类型的神经网络是具有特殊拓扑结构的多层感知器，并且包含多个隐藏层。神经网络用于P300字符识别，它允许在其各层内自动提取脑电特征，并且除了对输入向量进行缩放和居中之外，无需进行特定归一化即可将原始信息作为输入保留。相对于其它的分类算法，深度卷积神经网络算法在多维度脑电数据的分类上具有许多优势。(2)针对传统单个分类器的缺点，本文提出了集成分类算法对P300脑电特征信号提取和分类。集成分类算法的特征提取能力来源于多个分类器共同提取信号特征，多分类器的并行使用提高了算法的计算能力，对P300脑电信号的特征提取更为充分。通过实验验证，多核卷积神经网络以及系统集成分类器使P300脑机接口系统的分类精确度有所改善，超过了使用同种脑电数据的其它分类算法。本文对上述的脑电信号预处理，脑电信号的特征分类识别以及实验对比结果都做了详细的介绍和分析，最后对脑机接口系统的发展和下一阶段的工作进行了展望。