- 辛雨航. 基于半监督与时序模型的脑电信号特征提取方法研究：
脑电信号是由大脑细胞群进行生命活动所产生的一种自发性的电活动,其中隐藏了许多的与人类意识活动相关的信息,人类对于脑电信号的研究一直处于一个增长的态势,伴随着机器学习技术的发展以及人类对于医疗健康的需求,越来越多的国家开始重视并大力发展以大脑为研究对象的脑计划项目,通过分析脑电信号,来解密脑电信号中所隐藏的潜在信息。脑电信号分析的一个重要的方面就是通过提取有用的信息来理解脑电信号。利用这些提取的特征,可以判断他们所反映的模式或者异常,进而对脑电信号进行分类或者回归。
本文以机器学习的方法为基础,针对脑电信号当中的P300信号,先是提出了一种半监督判别分析的特征提取方法,然后在此基础上又提出了 一种收缩半监督判别分析的特征提取方法,不断提高了在小样本情况下的识别准确率。
- 秦鹏. 基于深层卷积神经网络的睡眠自动分期方法研究：
本文提出来一种睡眠自动分期的新方法:首先构建一种适用于睡眠分期卷积神经网络,然后用该网络提取特征,最后与基于稀疏表示的分类器相结合对睡眠进行分期。本方法首先利用小波变换对原始脑电信号进行时频处理,将GoogLe Net作为特征提取器从所得到的时频数据中挖掘其所固有的深层次脑电特征,同时提出将GoogLe Net的最后四层替换为新的网络层以达到更为精准分类的目的,从而实现了适用于睡眠自动分期的卷积神经网络的搭建,最后将新构建网络的全连接层丢弃,用SRC分类器代替全连接层,将本应送入全连接层的图像特征送入SRC分类器,结合SRC分类器做出睡眠分期。并且以极限学习机作为对照组检验本文提出方法的准确度。
- 基于半监督深度学习的脑电信号特征提取及识别：
本文围绕脑电信号的特征提取和分类识别方法等内容开展了研究。针对脑电信号时变特征损失以及现有脑电信号相关深度神经网络对特征提取有效性问题,提出融合稀疏自编码和卷积神经网络的新型半监督脑电识别方法。该方法首先采用稀疏自编码器对一维脑电信号提取稀疏特征,通过误差反向传播方法反复迭代,学习稀疏特征,将其作为卷积神经网络的输入;然后结合稠密卷积神经网络和多尺度卷积神经网络思想,提出多尺度稠密卷积神经网络,以此学习脑电信号高层抽象特征。
- Yu Xiaoqian,da Silva-Sauer Leandro,Donchin Emanuel. Habituation of P300 in the Use of P300-based Brain-Computer Interface Spellers: Individuals With Amyotrophic Lateral Sclerosis Versus Age-Matched Controls：
The P300-based brain-computer interface speller can provide motor independent communication to individuals with amyotrophic lateral sclerosis (ALS), a progressive neurodegenerative disorder that affects the motor system. P300 amplitude stability is critical for operation of the P300 speller. The P300 has good long-term stability, but to our knowledge, short-term habituation in the P300 speller has not been studied. In the current study, 15 participants: 8 ALS patients and 7 age-matched healthy volunteers (HVs), used 2 versions of P300 spellers, Face speller and Flash speller, each for 30 minutes. The ALS group performed as well as the HVs in both spellers and HVs did better with the Face speller than Flash speller while the ALS group performed equally well in both spellers. Neither intra-run P300 habituation nor inter-run P300 habituation was found. The P300 speller could be a reliable communication device for individuals with ALS.
- 彭仁旺.基于经验模态分解和SVM的脑电信号分类方法：
脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题;文章提出一种基于经验模态分解（empirical mode decomposition,EMD）和支撑向量机（support vector machine,SVM）的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力;首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数（intrinsic mode function,IMF）,然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别;采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6%的正确识别率,为在线脑-机接口系统的研究提供了新的思路。
- 张德顺. 基于卷积神经网络的脑机接口系统的研究及实现：
本文设计了一套基于卷积神经网络的脑机接口系统。具体工作如下:（1）基于卷积神经网络理论,利用开源机器学习框架TensorFlow构建了一个对左右手运动想象脑电信号进行2分类的5层神经网络分类器。该分类器能够自动从脑电数据中提取特征并进行自动分类,普适性和鲁棒性强于基于特征的脑电分类器。在对脑电数据进行滤波、归一化后,分类器能在第四届脑机接口竞赛（BCI IV）的官方数据集Data Sets 2b的测试集上达到75.3%的分类准确率。（2）引入LRN正则化和dropout方法,降低分类器在测试集上的过拟合程度,进一步提高分类器模型的泛化能力。（3）设计和实现了一套基于卷积神经网络的视觉诱发类型的脑机接口系统。该系统采用视觉刺激使用者的方式,使实验者产生运动想象脑电信号,再通过卷积神经网络分类器进行识别分类。整套系统易于操作,受试者经过简单的训练后即可正确使用,系统的识别率达到76.25%,识别延时小于1s,具备一定的应用价值
资料编号：[260099]
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
