摘要: 目前脑科学和神经科学飞速发展，作为脑科学领域的重大挑战，如何有效提升基于脑电信号(EEG)的特征学习能力对于该领域的发展具有重要的研究价值。脑电信号的分类与识别任务是癫痫、焦虑失眠、老年痴呆等各类脑疾病诊断以及脑机接口、情感分类、疲劳检... 展开 目前脑科学和神经科学飞速发展，作为脑科学领域的重大挑战，如何有效提升基于脑电信号(EEG)的特征学习能力对于该领域的发展具有重要的研究价值。脑电信号的分类与识别任务是癫痫、焦虑失眠、老年痴呆等各类脑疾病诊断以及脑机接口、情感分类、疲劳检测、测谎等人体行为状态方面的重要研究基础，研究内容主要集中在运动想象脑电分类、认知负荷评估、癫痫预测和检测、情绪脑电识别等，目前已经成为脑电信号分析中公认的主流研究方向。特别是，随着深度学习模型在计算机视觉、智能医疗诊断等领域不断取得突破性成果，已有研究成功将深度学习方法应用于各类脑电分类与识别任务中，但是现有模型还不能够对脑电中的多类高维特征进行有效建模，模型的特征表达能力有待进一步提升。因此，针对基于深度学习网络的脑电分类与识别任务研究具有重要的现实意义和应用价值。本论文将EEG信号作为研究对象，针对四个不同的脑电分类与识别任务展开深入研究，提出相应的深度学习改进模型，有效解决现有模型在脑电分类与识别任务中存在的模型特征表达能力不强、特征鲁棒性差、类内类间特征难以区分等问题，进一步提升脑电分类识别效果。 第一，针对运动想象脑电信号存在信噪比较低、难以有效提取抽象和深层特征的问题，提出了一种改进的预处理方法及多尺度卷积双向门限循环网络IncepCNN-BGRU。首先利用Morlet小波变换和三次样条插值方法，将多通道脑电信号转换为一系列的频谱图。其次，构建基于多尺度卷积神经网络(Incep-CNN)和双向门控循环单元(BGRU)的混合模型，该模型可以有效提取脑电频谱图中的空间特征和时间特征。实验结果表明，与现有模型相比，该方法在分类精度方面具有显著的优势。 第二，针对基于脑电信号的认知负荷评估任务难以在有限样本库中提取多维鲁棒性特征的缺点，提出了一种基于三任务学习框架的卷积双向神经图灵机TT-CBNTM。通过有效地融合卷积神经网络和神经图灵机，使得该模型具备同时处理脑电信号中时间特征和空间特征的能力，从而有效地提升了模型的多维特征表达能力。同时采用三任务学习框架，增加身份认证和身份识别两个辅助任务，在减少类内特征差异的同时增强了对类间特征的建模能力。实验结果表明，基于三任务学习框架的TT-CBNTM能够有效地实现脑负荷的评估，在相关数据集上取得了优异的效果。 第三，针对基于脑电信号的癫痫病预测与检测难以有效学习协方差信息和分层级特征的问题，提出了基于双任务框架下的收缩脉冲实值卷积深度置信网络ssEEGNet用于癫痫病的预测与检测。首先，该模型可以从脑电频谱图像中提取高阶深度特征，同时捕获空间特征。其次，基于脑电信号的身份验证有助于在微调阶段有效学习脑电信号的时间特征，减少类内差异，易于训练。实验结果表明，ssEEGNet在各项指标上均取得了显著的效果。 第四，针对基于脑电信号的情绪识别任务难以有效学习脑电数据高阶空间特征和时间特征的问题，提出一种自注意力脉冲实值卷积长短时网络SA-ssCLSTM。首先，该网络将脉冲变量和实值变量引入到卷积操作中，在保持网络参数不变的前提下进一步增强了模型的特征挖掘能力。其次，该模型采用一种融合自注意力机制的LSTM,该机制可以根据样本内部重要信息的分布对样本进行重新编码，从而进一步增强了网络对时间特征的建模能力。最后，为了有效防止过拟合，采用三任务学习框架，其中主任务为情绪识别，目的是正确识别给定脑电谱图所属的情绪类别;辅助任务分别为针对脑电频谱图像的身份认证和识别，该框架可有效增强模型的特征鲁棒性。实验结果表明，所提模型在情感脑电识别任务中取得了优秀的准确率。 收起