基于BP神经网络的多类运动想象脑电信号识别系统研究

脑电信号识别指令多设定为单目标,导致系统误识率高,为此研究基于反向传播(Back Propagation,BP)神经网络的多类运动想象脑电信号识别系统。通过电极帽与脑电采集板的构建与搭接,完成系统硬件的设计;进行BP神经网络多目标识别指令集群的接入,同时利用分段BP神经网络功能识别模块增强系统的识别控制能力,完成系统软件的设计。最终的测试结果表明:对上述系统进行3个阶段,5组测试之后,系统在第3阶段的脑电波误识率明显控制在2%以下,系统的误识别率较低,具有较高的识别应用价值。     

基于汉语音位发音想象的脑机接口研究

该文提出了一个基于汉语音位发音想象的脑机接口系统框架,使得受试者使用脑机接口系统时能更加自然和流畅。三名受试者参与了本实验研究,实验过程中受试者被要求想象四个汉语元音和四个辅音音位的发音部位及语音发音,以及一个不作想象任务的控制条件,同时记录其脑电数据。在数据处理阶段,本文对采集到的头皮脑电数据进行了频域、时域、空域分析,以提取出音位发音想象效应最优化的特征向量用于提高每两个条件间的配对分类效果。实验结果表明,音位发音想象效应的最优脑电频段为2~10Hz,时段为刺激呈现后300~500ms,头皮空间分布主要集中在感觉运动皮层区域。音位发音想象任务和控制条件相比具有较高的分类正确率,最高可达83%,为基于音位发音想象的汉语脑机接口系统研究提供了理论基础。此外,刺激材料间的Jaccard距离和分类正确率的高度相关性表明,音位发音想象任务可被视为复杂的发音器官运动想象任务,并且可由人脑感觉运动皮层区域的脑电信号来解码预测。     

基于传感器技术的实时脑-机接口设计

设计了一种基于传感器技术的脑-机接口(BCI)系统,实现了实时控制光标移动,系统包括传感器部分和信号处理部分.系统通过采集操作者头部O1,O2导联处的脑电信号,提取其α波,利用Fisher 判别分析方法判断受试者闭眼时长输出不同控制命令,快速可靠地控制光标进行二维移动.实验表明:未经先期训练的操作者均能通过本系统快速地完成光标控制任务,且具有很高的识别正确率.该系统采用异步工作模式,输出控制命令仅需3.6～5.4s,具有较好的实用性.     

一种基于双特征的联合脑-机接口系统设计

与传统基于单一脑电信号的脑-机接口相比,基于多种特征信号的联合脑-机接口能有效提高脑-机接口性能.在基于稳态视觉诱发电位和P300诱发电位的联合使用的可行性基础上,提出了新的刺激编码方式,构建了一种基于两种特征的联合脑-机接口系统.通过设计3×3字符刺激矩阵,矩阵中纵列按各自设定频率闪烁诱发稳态视觉诱发电位,横行随机出现蓝色框诱发P300.实验表明,当受试者注视并关注目标字符,两种特征脑电信号能够被同时诱发,且对脑电信号中两种特征进行识别能够检测出受试者选取的字符.与传统基于P300的字符脑-机接口相比,刺激诱发时间减少了一半,从根本上提高了脑-机接口的速度.在以后工作中,系统可以扩展到更大矩阵(如6×6),构建更为实用的联合脑-机接口系统.     

Graz- 脑机接口研究概述

在明确了BCI相关概念与研究背景的基础上,从Graz-BCI的研究内容和应用2个方面,对Graz-BCI的研究现状进行了概述.归纳了运动想象控制、μ节律同步、自适应回归参数、复杂波段功率特征、相位同步特征及自适应分类器等方面Graz-BCI的关键技术,介绍了运动想象控制的研究基础、试验方法及相关参数、与自适应回归参数匹配的分类器、基于相位的复杂波段功率特征及相位同步特征、ADIM和ALDA 2种自适应分类器.总结了Graz-BCI技术在神经假体与拼写设备的相关应用,指出了Graz-BCI在运动想象控制、“大脑开关”以及光学BCI原理机等方面的发展趋势.     

基于卷积神经网络的自适应样本加权脑机接口建模

针对脑机接口系统手动提取特征而产生的信息丢失与过拟合问题,建立了一个纯数据驱动的端到端的卷积神经网络模型.同时,为了解决卷积神经网络（convolutional neural network,CNN）需要大量数据而单人脑电数据量小的问题,建立了一套使用多人数据来建立目标用户模型的方法.通过分析其他人数据对目标个体模型的适应程度,清除那些对于目标模型贡献为负的样本.然后,在CNN网络的训练过程中,使用了一种元学习技术,赋予每一个训练数据一个权值.在训练CNN网络时,每一步网络参数更新之后,元学习器会根据训练集中数据样本对于最终模型的影响,自适应的调整每个样本数据的权值.实验结果表明,所提方法得到了比传统方法更好的分类精度,验证了所提方法的有效性.     

基于自发脑电的脑机接口实验研究与设计

针对基于自发脑电信号的脑机接口研究,设计了一种科学的且易实现的运动想象实验范例,利用运动想象脑电作为BCI的控制信号。该实验方案能有效地获得可识别的具有特征性的自发脑电电位,满足脑机接口实验要求,为BCI的研究提供了一种更加自然、更加实用的控制方式。     

基于ECoG的运动想象脑-机接口分类方法

脑—机接口BCI(Brain-Computer Interface)技术是近年来国际上的研究热点之一,它通常利用脑电EEG(electroencephalo-gram)来实现无动作的人机交互,运动想象是其中一种重要的BCI实验范式。有关研究表明,脑皮层电位ECoG(electrocorticogram)具有更好的信噪比与频带特性。研究基于ECoG的运动想象BCI系统,针对ECoG信号的特点,改进了信号处理方法,提取数据的公共空间模式CSP(Common Spatial Pattern)特征,并利用支持向量机SVM(Support Vector Machines)进行分类器设计,提高了运动意向的识别正确率。用相应方法处理2005年脑-机接口竞赛中的一组实验数据,正确率达到92%,相比于当时参赛时所用的方法提高了6%。实验还发现,支持向量机在克服"维数灾难"和"过拟合"方面具有更好的鲁棒性。     

利用相对小波能量和概率网络的脑-机接口

脑-机接口是一种全新的人机接口方式,在人脑与计算机或其他电子设备之间建立的直接的交流和控制通道。特征提取和分类是脑-机接口的关键。脑电信号经过预处理后,利用脑电信号的相对小波能量作为特征,采用主分量分析进行降维,然后利用概率神经网络对两类不同的意识任务（想象小手指运动和舌头运动）进行分类。离线分析结果表明,该方法在分类准确率上有很大的提高,从而为脑-机接口系统的特征提取和分类提供了新思路。     

基于AR模型的脑－机接口问题研究

在脑一机接口的研究中分类识别技术占有重要地位。将脑电信号中事件去同步化/相同步化现象作为特征信息,深入讨论基于AR模型的自适应算法（AAR）和多变量参数AAR模型算法（MVAAR）在脑电信号特征提取中的应用。结合三种分类器,对这两种算法进行了比较,实验证明两种方法的实验效果都很好,但是MVAAR算法比AAR算法能够达到更高的分类正确率,其阶次一般选取也比较低,数据仿真吻合度高,具有更强的通用性。     

基于Emotiv的脑机接口研究

针对脑机接口中存在的信号容易受到干扰、操作复杂的问题,利用经济便携式脑电采集设备Emotiv EPOC+搭载了一套基于稳态视觉刺激的脑机交互系统。该脑机接口系统首次将功率谱密度分析、典型相关性分析等方法按照不同权重相结合,使得目标识别的准确率高达98.6%,且该系统具有很高的抗噪能力和可拓展性。     

遗传算法与BP神经网络相结合的说话人识别系统

基于BP神经网络的说话人识别系统是目前说话人识别中的一种主要模型,但BP神经网络通常难以确定隐含层单元的数目,且收敛速度慢。针对此缺点,提出了一种基于遗传算法（GA）的说话人识别BP神经网络优化方案,该方案利用混合编码的GA对神经网络的连接权和结构进行了优化,可以有效地剔除整个网络冗余节点和冗余连接权,方案利用了BP神经网络的并行性和GA的全局搜索能力,显著地改善了网络的处理能力。实验表明：基于混合编码GA的BP神经网络具有快速学习网络权重的能力,识别率高,是说话人识别的一种有效可行的新方案。     

基于主成分分析和BP神经网络的煤岩界面识别

针对现有煤岩识别方法由于提取的时域参数过多,存在识别速度慢、实时性差等问题,提出了一种基于主成分分析和BP神经网络的煤岩界面识别方法。该方法首先提取采煤机滚筒扭矩的时域信号,然后利用主成分分析方法对该时域信号进行压缩,最后将得到的最终信号输入到BP神经网络进行煤岩识别。仿真结果表明,该煤岩识别方法不仅满足了识别率,还提高了识别速度,为提高滚筒调高响应速度奠定了基础。     

基于多特征融合卷积神经网络的显著性检测

随着深度学习技术的发展以及卷积神经网络在众多计算机视觉任务中的突出表现,基于卷积神经网络的深度显著性检测方法成为显著性检测领域的主流方法.但是,卷积神经网络受卷积核尺寸的限制,在网络底层只能在较小范围内提取特征,不能很好地检测区域内不显著但全局显著的对象;其次,卷积神经网络通过堆叠卷积层的方式可获得图像的全局信息,但在...     

一种基于BP神经网络的RSSI与超声波的定位研究

传统RSSI测距模型在移动机器人对使用者进行定位时存在依赖环境参数和不能辨别目标方位等问题,因此提出一种基于BP神经网络的测距定位方法.该方法采用了RSSI测距模型和超声波测距模型,利用测距定位模块收集到的RSSI值与超声波数据作为输入对BP神经网络进行训练.实验结果表明,该方法有效地解决了传统RSSI测距模型的问题,对目标距离估计准确率达89.98％、对目标方位估计准确率达88.18％,在移动机器人对使用者进行定位时取得良好效果.     

基于BP神经网络和CELTS-22的网络课程评价研究

基于对人工神经网络和CELTS-22的研究,建立了以CELTS-22中主要评价规范为参照的指标体系.该系统应用三层BP神经网络结构,设计出能模拟专家进行评价的计算机辅助评价模型,可以弥补评价过程中的人为失误.     

基于卷积神经网络与多特征融合恶意代码分类方法

为了减小加壳、混淆技术对恶意代码分类的影响并提高准确率,提出一种基于卷积神经网络和多特征融合的恶意代码分类方法,以恶意代码灰度图像和带有API函数调用与操作码的混合序列为特征,设计基于卷积神经网络的多特征融合分类器。该分类器由图像组件、序列组件和融合组件构成,经训练后用于检测恶意代码类别。实验结果表明,相比目前已有的HYDRA、Orthrus等方法,该方法的分类准确率和宏F₁值更高,表明该方法能减小加壳、混淆技术影响,更准确地分类恶意代码。     

基于改进的BP神经网络入侵检测方法研究

针对遗传算法局部搜索能力弱和收敛速度慢,在选择操作之后加上了禁忌搜索算法,并对交叉操作进行改进,最后用禁忌搜索作为变异操作,从而加快算法的收敛速度,并用此改进的遗传算法来优化BP神经网络的权值。实验证明,采用该方法优化BP神经网络权值,能克服BP神经网络收敛速度慢、局部极小问题。     

基于改进BP网络的车牌字符识别方法研究

介绍了车牌自动识别的过程和原理、车牌识别中所需要的关键图像处理技术,并对BP神经网络算法进行了阐述.结合目前车牌编制的特点,基于BP神经网络原理对车牌自动识别技术中的字符识别技术进行了新探索,提出了适用于新<机动车登记规定>车牌编制方法的神经网络结构和识别算法.通过恰当设置BP网络隐层节点数,详细介绍了改进BP网络算法步骤,分析了易混字符,并用MATLAB进行了实验,实验结果表明,改进网络结构后的方法识别准确率高、识别过程速度快、系统鲁棒性强.