检索历史 清除

摘要脑电图（EEG）作为一种非侵入性、采集方便经济的脑成像记录方式，可以多通道、高时间分辨率地记录大脑听神经电生理活动的响应输出，通过分析特定声音事件诱发的EEG信号，利用大数据分析建模，可以自动评估被试对特定声音的辨识能力。因此，听觉脑电信号的计算机辅助自动诊断评估将是一种未来可期的新型听力检测方法。音乐是人们生活中不可缺少的声音感受，乐器的音色是音乐声音事件区别要素之一，研究音色EEG的辨识将有助于深入了解听觉感知机制，为音乐感知、声音编码、临床听力重建等研究提供相应的理论和应用基础。论文基于听觉EEG数据、采用深度学习技术研究了不同乐器音色事件与听觉感知输出的对应解码辨识问题，建立实验用乐器音色EEG数据库，分析乐器音色信号的声学特征，解读音色事件诱发电位的特征表达，实验对比多种机器学习和深度学习建模方法对音色脑电分类识别效果，从而确立有效、可行的音色脑电自动分类方法。具体研究工作如下:<br>　　（1）根据音色的脑感知机制设计EEG数据采集范式，经实验分析对比，选定Oddball范式作乐器音色脑电数据采集范式，采集十二名被试听钢琴、小提琴、小号三种不同乐器的相同音符的脑电信号，经过滤波、分段、去除伪影等操作，建立了音色脑电数据库,进而采用微状态分析等脑电分析方法，对音色的脑感知机制做分析探讨。<br>　　（2）采用经典机器学习模型、深度学习脑电分类建模算法分别实验了音色脑电的应用效果，结果表明:EEGNet这种具有时空特征提取结构的网络分类效果最好，对三种乐器音色客观脑电平均分类准确率最高可达73.3％。为了探索不同被试间差异，对数据进行了直接跨被试迁移、微调和领域自适应三种迁移学习实验，迁移学习可以在数据量较少的情况下可以实现不错的性能，对于临床的应用有重要意义。<br>　　（3）使用Sinc卷积层和动态卷积改进了时空卷积结构，可以获得更有可解释性的特征，经过对比实验，验证了改进算法的优越性。<br>　　研究表明:具有时空卷积结构的深度学习模型在音色脑电自动检测任务中展现出了显著的可分性，其分类结果可从音色脑电的生物标记物分析得到对应的可解释性。但是，该方法有待在临床听力检测上逐步收集听障患者数据，以便进一步实现临床转化应用。