中国科学技术信息研究所--国家工程技术数字图书馆

[学位论文] 曾焕生华南理工大学 2019年硕士导师: 余天佑共74页

摘要 : 近十几年来，脑机接口(brain-computerinterfaces,BCI)技术的研究引起了世界范围的关注，并且得到迅速的发展。它是一项交互技术，旨在识别用户的大脑意图并转化为一组特殊的指令以便控制现实世界设备。脑电图信号(electroencephalography, EEG)是BCI... 展开近十几年来，脑机接口(brain-computerinterfaces,BCI)技术的研究引起了世界范围的关注，并且得到迅速的发展。它是一项交互技术，旨在识别用户的大脑意图并转化为一组特殊的指令以便控制现实世界设备。脑电图信号(electroencephalography, EEG)是BCI中应用最广泛的非侵入性成像技术之一，这种基于EEG的脑机接口系统可以替代受损神经并提供一种新的通信方式。脑机接口系统通常需要采集大量受试者有标签的训练数据来构建分类器模型，并且假设训练数据和测试数据在相同的特征空间中，服从相同的统计分布。然而，由于EEG信号具有非平稳特性，数据的分布可能不同。因为BCI系统主要应用于医疗康复领域，获取同一受试者大量数据往往难以实现，而不同受试者之间存在个体差异，无法直接利用其他受试者的数据。这些问题不仅影响到系统的性能，还限制了其应用范围。运动想象脑电信号是脑机接口系统中常用的控制信号，本文在传统运动想象脑电信号处理方法的基础上，将迁移学习的思想应用于运动想象脑电信号的分类，并提出了两种迁移学习算法以解决传统脑机接口系统的局限性。本文具体研究工作如下。本文在子空间对齐基础上提出样本加权方法，根据样本特征的相似度对源领域样本赋予不同的权重，生成加权源领域子空间与目标领域子空间对齐。考虑到脑电信号非线性的影响，提出了通过非线性映射将原数据转换到高维空间中再进行子空间对齐的方法，并推导了算法的可行性。最后设计两个实验，不同时期以及不同受试者的脑电数据迁移验证了算法的有效性。本文提出基于共同空间模式的迁移学习算法，结合了复合共同空间模式和自适应的方法，通过计算实验样本之间的相似度选择样本更新协方差矩阵，重新构建空域滤波器以提取用于分类的特征，从而提高分类器的性能。最后设计实验，在公开的脑电数据集中验证了算法的有效性。收起

关键词 : 运动想象脑电分类迁移学习

2. 基于时空神经网络的脑电分类与识别研究

[学位论文] 乔伟征哈尔滨工程大学 2021年博士导师: 毕晓君共141页

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

关键词 : 脑电分类脑电识别信号预处理时空神经网络

3. 基于脑机接口的脑电分类算法研究与实现

[学位论文] 杨维奇电子科技大学 2019年硕士导师: 邓春健共82页

摘要 : 随着电子信息与计算机应用技术的进步，脑机接口技术的研究与应用已经成为一种趋势。脑机接口通过解读人在思维活动过程中的大脑生理信息，在大脑与外界之间建立一个直接传输信息的通道，在健康监护、高级人机交互等应用领域有广泛的前景。关于脑机接... 展开随着电子信息与计算机应用技术的进步，脑机接口技术的研究与应用已经成为一种趋势。脑机接口通过解读人在思维活动过程中的大脑生理信息，在大脑与外界之间建立一个直接传输信息的通道，在健康监护、高级人机交互等应用领域有广泛的前景。关于脑机接口应用中脑电信号分类的研究，国内外研究人员都进行了许多尝试，也取得了较好的效果。而要将这些方法和技术投入实际应用，还有待进一步的研究。本文基于脑机接口应用之情感分类，围绕情感脑电信号的特征提取和分类方法进行了研究，分别从以下几方面展开：（1）信息熵特征提取方法的研究。由于传统的时域频域特征分析方法不能很好地体现EEG信号的波动性和复杂性，近些年已经有研究者证明了信息熵可以更好地用于脑电信号的分类。因此，本文在前人工作的基础上，提出了基于微分熵的脑电特征提取方法。本文对多种不同的信息熵特征进行了研究和对比，实验结果表明，微分熵特征比样本熵、模糊熵等其他已有的信息熵特征具有更高的分类准确率，能够很好地运用在情感脑电分类任务中。（2）联合分类方法的研究。即使通过微分熵进行脑电特征分类，脑电信号的特征维度仍然较高，往往会产生维数灾难和过拟合的问题。本文还对于结合传统的降维方法例如LDA和PCA与机器学习方法例如支持向量机、随机森林和高斯加权k-NN方法进行了研究。我们提出了一种新的联合分类方法结合了LDA降维方法和加权k-NN方法，并与两种经典的联合分类方法进行对比实验。结果表明，在情感脑电分类任务中，将LDA降维方法用于微分熵特征，并结合加权k-NN方法进行分类，其平均准确率可以达到83%，Kappa系数为0.7，优于现有的联合分类方法。（3）正则化方法的研究。虽然降维方法可以改善脑电分类效果，但却有可能在降维过程中损失部分有效信息。因此，近些年又有研究者提出了基于L1和L2正则化的脑电分类方法。正则化方法可以在模型训练的过程中自动地进行特征选择，避免在模型学习之前就筛选掉部分特征信息。然而，L1和L2方法仍然存在不够稀疏等问题，因此有研究者提出了最新的基于L1/2的正则化方法，在数学上已经证明相对于L1与L2正则化方法具有明显的优势。在这种情况下，本文提出了一种基于L1/2的逻辑回归脑电分类方法，并与L1、L2和Elastic-Net正则化方法进行了对比，实验结果证明了基于L1/2正则项的逻辑回归方法在情感脑电分类任务中具有明显的优势，具有高达85%的平均准确率。由于原始脑电信号在转换为特征向量的过程中会丢失一部分信息，因此基于微分熵的脑电信号特征提取方法仍然会损失部分信息。因此，下一步我们计划使用最新的脑网络方法进行特征提取。目前也对脑网络方法进行了初步探索，构建脑网络并提取脑网络特征进行情感脑电分类，取得了一定的效果，我们计划在以后的研究中完善这一构想。收起

关键词 : 脑电分类算法脑机接口情感分类信息熵降维处理

4. 基于卷积神经网络的想象运动脑电分类研究

[学位论文] 李宇琛西安电子科技大学 2019年硕士导师: 李甫共86页

摘要 : 脑-机接口依靠直连大脑和外界设备实现二者的实时互动，是面向未来的人机交互形式。近二十年来，脑-机接口发展迅速，从临床医学逐渐扩展到通用人机交互领域，新方法、新产品层出不穷。但脑-机接口距离“自由人机互联”的最终目标仍面临诸多障碍，系统... 展开脑-机接口依靠直连大脑和外界设备实现二者的实时互动，是面向未来的人机交互形式。近二十年来，脑-机接口发展迅速，从临床医学逐渐扩展到通用人机交互领域，新方法、新产品层出不穷。但脑-机接口距离“自由人机互联”的最终目标仍面临诸多障碍，系统的成本、性能均有较大的发展空间。脑-机接口的核心技术之一是脑电信号分类技术，脑电信号分类的准确率直接关系到系统是否具备实用能力。另外，目前的脑-机接口尚需要固定的范式来降低交互难度。人的想象运动与实际运动能够在大脑运动皮层区产生相似的电活动，这一生理基础使想象运动成为重要的脑电实验范式之一，但在不同被试上的大方差、同一被试上的时变性又使想象运动脑电分类问题困难重重。深度学习对传统机器学习、模式识别尤其是计算机视觉和自然语言处理的大幅革新让许多领域看到了突破的希望。脑-机接口研究者也尝试从深度学习方法中受益，但训练样本较少、不同被试间方差大、特征时变等诸多因素增大了问题的不确定性，也使相关研究进展相对缓慢。目前的成果主要基于深度信念网络和卷积神经网络，而许多尝试表明卷积神经网络很适合用来做信号处理，且卷积模型的结构特性让端到端方法变得更容易实现。本论文从几种可靠且表现良好的基线模型出发，将用于想象运动脑电分类的端到端卷积神经网络(MI-CNN)抽象为三个单元，将这类模型的设计方式模块化、范式化；针对MI-CNN的各项重要超参数的选择及信号的预处理方法对分类结果的影响做了详细的检验。在此基础上提出了多核滤波器组卷积方法，使模型更充分地提取频域特征，且能够与已有模型无缝衔接。该方法进一步提升了各基线的分类准确率，使之超过了现有的最优结果。使用预训练-微调框架，研究MI-CNN的迁移学习能力，先使用外部数据初始化模型参数，再导入当前被试数据进行校准；还使用分层学习率和少量被试数据研究了小样本迁移问题。实验结果表明外部数据预训练、被试数据微调的方法能够进一步提高分类准确率，而小样本迁移可转化为对在线带反馈系统的改进。对MI-CNN进行了扰动因子分析实验和振幅扰动可视化分析，通过实验表明较少的样本规模影响了模型的稳定性，但其仍能从数据中学到与想象运动脑电活动高度相关的信息。收起

关键词 : 脑电分类想象运动卷积神经网络脑机接口

5. 基于时--空卷积神经网络的RSVP目标检测

[学位论文] 王冲西安电子科技大学 2022年硕士导师: 李甫；潘加明共81页

摘要 : 互联网的快速发展给现代社会带来了海量的信息，在涉及到处理图像信息的许多领域，图像分析人员所面临的一个巨大挑战成为了如何从海量图片中快速高效地获取感兴趣的目标图像。尽管计算机视觉系统已经可以快速而准确地完成目标识别，然而对于一些低质... 展开互联网的快速发展给现代社会带来了海量的信息，在涉及到处理图像信息的许多领域，图像分析人员所面临的一个巨大挑战成为了如何从海量图片中快速高效地获取感兴趣的目标图像。尽管计算机视觉系统已经可以快速而准确地完成目标识别，然而对于一些低质图片的处理效果仍达不到理想状态。脑机接口可以将用户的大脑活动模式转换成一个简单的消息或指令，是一种新的人机交互方式。基于快速序列视觉呈现(RSVP)范式的脑机接口系统为利用人类视觉系统实现高效的目标图像检测提供了可能，人类视觉系统强大的信息处理能力和现代脑电信号处理算法的快速分析能力得以共同发挥作用。因此，提高基于RSVP的脑机接口系统中脑电信号的识别准确率成为了该系统有效工作的关键。传统机器学习算法和深度学习模型在图像和语音处理领域取得了显著的效果，这也引起了脑电信号处理领域研究者们的注意。脑电信号具有低信噪比、非平稳和特异性强等固有特性，这是分析处理脑电信号时所面临的最大问题。针对这些问题，现有的算法和模型提出了不同的解决方案，旨在实现脑电信号的高效分类，且已经取得了可观的效果。然而，现有的算法和模型在分析处理脑电信号时，忽视了RSVP范式下脑电信号的相位锁定特性和电极分布位置信息，这些信息有助于分类脑电信号。本文从RSVP范式下脑电信号的关键特性出发，学习借鉴了当前主流深度学习模型的设计框架，提出了基于时域相位保持的卷积神经网络。该网络在设计时充分考虑了信号在时域的相位信息，提取到了脑电信号更有表征能力的特征表示。为了验证所提出的模型的性能，本文介绍了两个公开数据集和一个本地数据集，在这三个数据集上将所提出的卷积神经网络与现有的优秀算法和模型进行了性能对比，结果表明所提出模型的分类准确率显著高于现有方法。在此基础上，又提出了基于时域相位保持-空域脑拓扑结构的卷积神经网络，该时空卷积神经网络充分挖掘了信号在空域的电极分布位置信息，提取到脑电信号的时空表征用于分类，模型的优越性能在两个数据集上得到了验证。此外，本文对于分类性能对比实验做了进一步的分析和讨论，探讨了不同模型参数对模型性能的影响。进行了时域和空域的特征可视化，结果不仅证明了所提出模型高效的特征提取能力，还与神经科学领域的研究结论所吻合，再次验证了本文方法的有效性。收起

关键词 : 快速序列视觉呈现脑机接口时空卷积网络脑电分类

6. 抑郁症脑电信号特征及分类研究

[学位论文] 廖智舟北京工业大学 2014年硕士导师: 钟宁共72页

摘要 : 抑郁症是发病率较高的情感障碍精神疾病。人脑无刺激状态下释放出的脑电信号能反映大脑的不同状态，其中包括异常状态。现在脑电图已是临床上精神疾病检查的常用工具。首先，本研究希望在抑郁症病人的脑电信号中发现与正常人异常的特征，以便深入了解... 展开抑郁症是发病率较高的情感障碍精神疾病。人脑无刺激状态下释放出的脑电信号能反映大脑的不同状态，其中包括异常状态。现在脑电图已是临床上精神疾病检查的常用工具。首先，本研究希望在抑郁症病人的脑电信号中发现与正常人异常的特征，以便深入了解抑郁症的疾病机理，以及对诊断和治疗效果评估有所帮助。接着用3种著名模式识别算法，使用本研究发现的特征对脑电信号进行分类研究，以检验这些特征的分类效果。本研究对正常人，抑郁症未用药病人和抑郁症用药病人这3种人群采样，形成3组被试。其中正常组14人，抑郁症未用药组11人，抑郁症用药组11人。这3组被试在年龄，性别与受教育程度上匹配。在被试者没有刺激的并且清醒的状态下，采集8分钟的脑电信号。本研究中深入研究三组被试在脑电信号的绝对功率，相对功率比，左右不对称性和安静过程差异性各个频带间的显著差异，发现以下有意义的结果:绝对功率的alpha1，alpha2频带;左右不对称性的theta频带;安静过程差异性绝对功率方面的alpha2频带是素质依赖性特征。绝对功率的delta频带;相对功率比的alpha1，theta频带;左右不对称性的alpha1，alpha2，beta1，delta频带;安静过程差异性方面的theta，delta频带是状态依赖性特征。另外，绝对功率的beta1频带，相对功率比的beta1频带是可以反映抗抑郁剂副作用的特征。本研究还使用抑郁症脑电信号绝对功率，相对功率比，左右不对称性，安静过程差异性4个特征进行了分类研究。每种特征下又分为7个频带与全频带的综合。分类算法分别是C4.5决策树算法，朴素贝叶斯算法和k最近邻算法。从3组分类结果来看，其中C4.5决策树算法最高分类正确率达到70.00％，朴素贝叶斯算法最高能达到83.33％，k最近邻算法最高能达到70.37％。并且对抑郁症素质依赖性和状态依赖性特征做了分类检验。收起

关键词 : 抑郁症功率谱脑电信号特征脑电分类

7. 基于P300的脑机接口拼写器的优化与实践

[学位论文] 李宏伟浙江大学 2018年硕士导师: 黄敬华共70页

摘要 : 脑机接口作为新兴的人机交互方式近年来受到了很多关注，基于ERP的脑机接口因为其正确率高，无需训练等特点一直以来都是研究的热点，而P300拼写器又是其中分类正确率最高和信息传输率最高的实验模型之一。然而由于位置上临近元素刺激和连续两次刺激等... 展开

关键词 : 脑机接口脑电识别 P300拼写器分类正确率

8. 基于皮层脑电高频特征的运动及运动想象分类研究

[学位论文] 王择如电子科技大学 2022年硕士导师: 郭大庆共68页

摘要 : 运动和运动想象不仅可以提高我们的运动技能，还能促进偏瘫患者的康复。基于运动或运动想象脑-机接口的研究，对大脑活动正常的瘫痪患者具有重要的应用价值。目前基于运动想象的研究主要集中在低频脑电，但它的空间分辨率低，特征提取的方法较繁琐，被... 展开运动和运动想象不仅可以提高我们的运动技能，还能促进偏瘫患者的康复。基于运动或运动想象脑-机接口的研究，对大脑活动正常的瘫痪患者具有重要的应用价值。目前基于运动想象的研究主要集中在低频脑电，但它的空间分辨率低，特征提取的方法较繁琐，被试间的分类效果参差不齐。近年来，皮层脑电（Electrocorticography，ECoG)以空间分辨率高、高频信号保真度高等优点引起了广泛关注。研究表明，高频ECoG信号的变化是特异于肢体运动的，因此高频脑电特征可用于运动或运动想象的分类。本文使用76-200Hz的高频能量计算运动或运动想象期间的脑区激活值，探究它们之间的异同。同时，通过ECoG高频特征对运动或运动想象任务分类，探究利用高频特征分类是否具有优势。取得的结果如下：（1）脑区激活分析的结果表明，运动和运动想象均激活了初级运动区和辅助运动区，此外运动想象期间还激活了认知神经区。同时运动想象情况下手和舌头激活的脑区之间重叠度较高。各手指单独运动时激活的脑区较相似，其中中指、无名指和小拇指激活脑区间重叠度较高。（2）激活脑区的时频分析结果表明，在激活脑区均发现了ECoG低频段的事件相关去同步现象和高频段的事件相关同步现象。此外，激活脑区高频能量的时变特征在手和舌头运动之间具有明显的特异性；在想象手和舌头运动下的特异性较差。五根手指运动时，高频能量在大拇指和食指间有明显的特异性；在中指、无名指和小拇指间的特异性较差。（3）分类结果表明，锁相值网络的共空间模式（Common Spatial Pattern，CSP）特征的分类结果受各任务激活脑区重叠度的影响，重叠度越大，分类效果越差。利用特定频带的CSP特征分类可以缩小被试间的差异，平均分类精度有很大的提升。此外，两种方法高频带下的分类结果远好于低频带。综合来看，ECoG的高频CSP特征分类效果最好，对运动和运动想象情况下手和舌头分类的平均精度分别为96.9%和83.1%；五根手指运动的平均分类精度最高可达到86.75%。我们的结果表明，运动想象可以激活大脑的初级运动区，同时运动想象的过程还需要认知神经的参与。此外，ECoG的高频CSP特征可以在数据集很小的情况下有效地进行二分类和五分类，缩小了被试间的差异。本文采用的这种简单快速的特征提取的方法，对基于运动和运动想象的脑-机接口的分类性能具有积极意义。收起

关键词 : 运动想象脑机接口任务分类皮层脑电高频信号

9. 超限学习机拓展研究及其脑电分类应用

[学位论文] 陈康杭州电子科技大学 2019年硕士导师: 佘青山共59页

摘要 : 脑-机接口(Brain-ComputerInterface,BCI)允许用户利用大脑活动来控制独立于周围神经和肌肉的外部设备。BCI系统通常使用大脑信号来收集用户的意图信息，而脑电图(Electroencephalogram,EEG)是BCI系统中应用最为广泛的大脑信号。BCI技术给许多应用领域... 展开脑-机接口(Brain-ComputerInterface,BCI)允许用户利用大脑活动来控制独立于周围神经和肌肉的外部设备。BCI系统通常使用大脑信号来收集用户的意图信息，而脑电图(Electroencephalogram,EEG)是BCI系统中应用最为广泛的大脑信号。BCI技术给许多应用领域带来了革命性的变化，例如文本输入系统、脑卒中患者康复训练系统、新型游戏控制、用户心理状态评估等。BCI技术的发展给严重行动障碍患者的日常生活带来了极大的便利。分类算法直接影响了BCI系统的实用性，是BCI系统的关键问题之一，本文着重对脑电分类算法进行探索。与传统分类算法相比，超限学习机(ExtremeLearningMachine,ELM)具有泛化能力强、学习速度快等优点。本文以ELM为基础分类器，同时引入稀疏学习、主动学习，对ELM方法进行拓展研究，提高其分类性能，并应用于BCI系统分类场景中。主要工作如下： (1)为了充分学习低信噪比的EEG信号的特征，提出基于Fisher判别的稀疏超限学习机算法，设计一种多层网络结构，充分结合稀疏学习、超限学习机的优势，并将其应用在BCI两类及多分类场景中。首先，对原始EEG信号进行共空间模式(CommonSpatialPattern,CSP)特征初提取，其次使用Fisher判别准则来学习结构化字典，并在此基础上求出更具判别性的稀疏编码系数，稀疏重构以提取更高级的特征信息，最后对新的特征进行识别分类。所提方法在UCI数据集以及脑电BCICompetitionⅢDatasetⅣa、Ⅲa及BCICompetitionⅣDatasetⅡa数据集上取得不错的分类效果。 (2)标记EEG信号需要耗费大量人力、物力，现实场景中更多的是大量无标签EEG信号，而传统有监督学习方法依靠少量的有标签数据无法获得足够优秀的分类表现。针对此问题，本文提出一种双规则主动超限学习机方法，将主动学习融合于超限学习机算法中，充分利用无标签数据，减少对有标签数据的依赖。首先采用不确定采样准则选择一定数量的候选无标签样本，然后利用改进的多样性策略来评估无标签候选样本的多样性，最后引入平衡参数，挑选出信息量最大的且具有代表性的数据进行标注，并更新ELM分类模型。该方法在标准数据集和BCICompetitionⅣDatasetⅡa上进行实验验证，实验结果表明该方法相较于其他主动学习分类模型有更好的分类性能。收起

关键词 : 脑电信号超限学习机稀疏学习脑-机接口脑电分类

10. 基于数据增强和迁移学习的运动想象脑电分类研究

[学位论文] 邓豪杰哈尔滨工业大学 2023年硕士导师: 张岩共95页

摘要 : 脑机接口是用脑电信号实现人机交互的技术。运动想象是一种常用的脑电范式，有主动控制的优势，可用于神经康复、假肢控制等领域。但是，运动想象的脑电数据也有伪迹多样、信噪比低、特征难提取、样本少等挑战。由于获得脑电数据集需要专家知识、成本... 展开脑机接口是用脑电信号实现人机交互的技术。运动想象是一种常用的脑电范式，有主动控制的优势，可用于神经康复、假肢控制等领域。但是，运动想象的脑电数据也有伪迹多样、信噪比低、特征难提取、样本少等挑战。由于获得脑电数据集需要专家知识、成本高，现有的数据集规模小，深度学习网络难以训练好。同时，针对脑电的特征提取方法往往复杂，但运动想象的应用场景需要将算法部署在嵌入式平台，如轮椅或机械臂，其算力有限使特征工程和模型运算速度慢，难以满足运动想象移动端的实时性要求。本文以低算力平台中少样本的脑电分类任务为应用背景：用有效的脑电预处理特征工程去除伪迹、提高信噪比和分类准确率；用数据增强算法扩充原始数据集，训练好神经网络，提高分类稳定性；设计跨域无标签数据的无监督迁移学习方法，利用被试间跨域的脑电数据，提高模型泛化能力和适配能力；提出可在嵌入式平台中部署的模型推理加速方案，实现模型在移动端的高效运行。本文的实验基于BCIC2a四分类数据集、BCICⅣ2b二分类数据集，研究脑电预处理和特征工程算法。针对MI-EEG伪迹复杂多样和信噪比低的特点，设计了基于CEEMDAN-CWT的MI-EEG时频表征方法，利用样本熵和K-means聚类方法降低算法复杂度，提升特征可分度。通过设计实验验证特征工程的有效性，利用该方法生成基于MI-EEG的二分类和四分类混合时频表征数据集，为后序数据增强算法的研究作基础。基于MI-EEG混合时频表征数据集，展开数据增强算法研究，减少因数据不足造成的深度卷积神经网络训练不充分的问题，提高模型泛化性。首先，分析传统数据增强算法的原理和缺点。为提高数据增强效果研究典型生成对抗网络的原理和结构，针对其优势和不足，提出改进的基于梯度惩罚和W距离的条件生成对抗网络，并设计新的损失函数。使用该数据增强网络，通过单Trail和多Trail两种脑电数据增强策略，设计对比实验验证数据增强方法的有效性，增强原始MI-EEG混合时频数据集，为后续训练网络打下基础。为有效利用MI-EEG的非标注数据，研究无监督自适应的迁移学习方法，提出基于对抗机制的无监督域自适应迁移学习算法AMI-EEG。设计联合域训练方式，将源域和目标域数据共同输入到模型中，保留卷积层进行特征提取，设计共享的源域和目标域特征提取层，实现迁移知识的过程。以增强分类模型的跨域适配能力。为提升网络稳定性，改进AMI-EEG反向传播算法，设计损失函数。为提升分类准确率，融合CBAM通道-空间注意力机制，以增强对脑电数据上下文的利用。设计实验，验证网络无监督迁移的有效性。最后，在低算力的边缘AI平台上部署改进的轻量级网络，并对其进行加速优化。为进一步获取脑电混合时频图像的局部特征，研究轻量级的VisionTransformer网络，基于MobileViT设计使用于脑电混合时频图像分类的MobileEEGViT，然后通过PaddleSlim对其进行结构优化。利用TensorRT推理库，部署网络至JetsonNano边缘AI平台上，实现模型的网络层剪裁和低精度量化，使模型的推理过程加速，加速后的MobileEEGViT比原MobileViT平均提升11.5倍推理速度，且保持82%以上的二分类准确率，以满足移动端边缘AI场景的实时性要求。收起

关键词 : 运动想象脑电分类数据增强迁移学习