基于深度学习的运动想象脑电分类

基于深度学习的运动想象脑电分类

ID:34876092

大小:3.27 MB

页数:64页

时间:2019-03-13

基于深度学习的运动想象脑电分类_第1页
基于深度学习的运动想象脑电分类_第2页
基于深度学习的运动想象脑电分类_第3页
基于深度学习的运动想象脑电分类_第4页
基于深度学习的运动想象脑电分类_第5页
资源描述:

《基于深度学习的运动想象脑电分类》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、基于深度学习的运动想象脑电分类戴若梦2015年06月中图分类号:TP399UDC分类号:004基于深度学习的运动想象脑电分类作者姓名戴若梦学院名称生命学院指导教师刘伟峰答辩委员会主席唐晓英教授申请学位工程硕士学科专业生物医学工程学位授予单位北京理工大学论文答辩日期2015年06月TheMotorImageryEEGClassificationBasedonDeepLearningCandidateName:RuoMengDaiSchoolorDepartment:BiomedicalEngineeringFac

2、ultyMentor:WeiFengLiuChair,ThesisCommittee:Prof.XiaoYingTangDegreeApplied:MasterofEngineeringMajor:BiomedicalEngineeringDegreeby:BeijingInstituteofTechnologyTheDateofDefence:June,2015研究成果声明本人郑重声明:所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的研究成果。尽我所知,文中除特别标注和致谢的地方外,学位论文中不

3、包含其他人已经发表或撰写过的研究成果,也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名:日期:北京理工大学硕士学位论文摘要脑电分类问题的研究对脑机接口的应用和发展具有重要的意义,脑机接口应用的实现依赖于脑电分类的良好精度和鲁棒性。由于脑电容易受到噪声和其他信号源(肌电、眼电、心电等)的干扰,脑电分类器的精度很难提高,泛化能力差。所以研究如何对脑电预处理、如何提取具有代表性的特征、如何训练出

4、泛化能力良好的分类器变得十分必要。近年来,深度学习作为多层次的神经网络模型在图像分类领域、语音识别领域得到了十分有效的应用。考虑如何将深度学习的方法应用到脑电分类问题中,也慢慢在成为脑机接口研究中的热点。本文研究了传统分类器与深度学习在运动想象脑电分类中的应用,着重探讨如何将深度学习的方法应用于运动想象脑电分类的问题中,并将传统分类器与深度学习中的SAE和CNN两种模型的分类精度进行对比和分析。本文的工作主要分为三部分:第一部分为信号预处理,根据统计参量对脑电信号进行批量筛选;然后采用滤波器来滤除噪声,去除基线

5、漂移的影响,选取运动想象脑电特定的频段;最后使用ICA方法来去除眼电的干扰。第二部分使用传统机器学习的方法对脑电的分类,通过小波变换提取脑电的特征,将特征分别放在SVM和softmax神经网络中训练。第三部分为将深度学习的方法应用于脑电分类问题中,分别使用了SAE和CNN两种模型,以传统分类器的结果做参照,分析模型的适用性。本文经过大量的实验发现,基于softmax的神经网络对比SVM,分类精度与之持平,但由于softmax擅长对多标签数据进行分类,更适用于在脑电分类问题中。相比于传统分类方法,深度学习的分类模

6、型CNN和SAE通过集成稀疏编码,虽然不需要手动提取特征,能够直接训练原始数据;但其对训练时长和对机器的性能要求更苛刻。关键词:脑电运动想象分类深度学习I北京理工大学硕士学位论文AbstractTheresearchonelectroencephalograph(EEG)classificationhasagreatcontributiontothedevelopmentofbraincomputerinterface(BCI)research.TheapplicationofBCIdependsontheac

7、curacyandrobustnessofEEGclassification.However,EEGiseasilydisturbedbynoiseandothersignalsources(Suchas:EMG,EOG,ECG,etc).TheaccuracyofEEGclassifierisdifficulttoimproveandtheabilityofgeneralizationispoor.SoitisnecessarytostudyhowtoselectthefeaturesofEEGaccuret

8、ly,andhowtogaintheclassifierwithabettergeneralizationability.Inrecentyears,deeplearningasamulti-levelneuralnetworkmodelhasbeenappliedeffectivelyinimageclassificationandspeechrecognitionfield.Thu

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。