论文摘要
脑机接口（Brain computer interface,BCI）是新兴的多学科交叉的脑科学研究领域的一个重要分支。通过直接对大脑的生理信号进行模式识别,利用人机交互技术来实现对外部设备的控制,脑机接口为运动能力受损甚至瘫痪患者的运动功能的重建提供了解决方案。对于大脑认知过程的探索、智能信息的处理,脑机接口也具有重要的应用价值和科学意义。本文主要研究运动想象任务（Motor imagery,MI）中基于脑电（Electroencephalogram,EEG）和近红外（Near-infrared Spectroscopy,NIRS）的混合模态BCI系统的信号分类。先对混合模态BCI系统中脑电信号和近红外信号的特征进行分析提取,再联合应用卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆网络（Long Short-Term Memory,LSTM）分类器,实现了混合模式BCI系统信号的高效、准确分类。首先,给出了脑机接口的系统定义、组成及其分类,阐述了脑电信号的产生原理和特点,以及近红外光谱技术的原理和特点。接着,分析了实验数据的来源和数据的预处理过程。分别讨论了EEG信号和NIRS信号常用的特征提取方法,着重对比了NIRS信号的特征提取方法。最终选定利用共同空间模式法对EEG信号进行特征提取,利用导数法对NIRS信号进行特征提取。最后,探讨了在BCI领域常用的分类器模型。根据EEG信号和NIRS信号的特点,改进设计了CNN-LSTM融合神经网络分类器。通过与传统分类器进行分析比较,发现该算法的分类准确率有很大的提高,说明了这种在全连接层进行融合的分类器的有效性,为基于EEG-NIRS的混合BCI的信号分类提供了新颖的思路。
论文目录
文章来源
类型: 硕士论文
作者: 王昊宇
导师: 李晖
关键词: 脑机接口,近红外光谱技术,脑电图,运动想象,卷积神经网络,长短期记忆神经网络
来源: 福建师范大学
年度: 2019
分类: 基础科学,医药卫生科技,信息科技
专业: 生物学,生物医学工程,电信技术
单位: 福建师范大学
分类号: R318;TN911.7
DOI: 10.27019/d.cnki.gfjsu.2019.001079
总页数: 63
文件大小: 2052k
下载量: 12