改进的BP神经网络在运动想象脑电分类研究中的应用

传统BP神经网络算法由于自身结构设置导致反馈调节能力不甚理想,在运动想象（MI）脑电信号多分类问题上的鲁棒性与识别性能提升上还有待进一步优化。本文研究并应用了基于粒子群算法（PSO）与蝙蝠算法（BA）的改进BP神经网络,经过初始编码序列寻优实现对原始BP神经网络的权值与阈值的更新,进而提升BP算法在MI脑电信号中的分类识别能力。对08年BCI竞赛数据MI脑电信号的包络幅值特征进行四分类,平均结果为96.25%;实验室采集的MI脑电数据作进一步验证,二分类准确率为89.25%。实验结果表明BA-BP模型分类精度相较于PSO-BP方法提高了约24%,迭代效率提升了约50%,一定程度上抑制BP神经网络算法局部最优的出现,为脑电信号的多分类识别问题解决提供了一种新的途径。     

基于LDA和KNN的下肢运动想象脑电信号分类研究

基于运动想象的脑—机接口系统(motor imagery brain computer interface,MI-BCI)是一种新兴的康复治疗手段.如何提高MI-BCI的识别准确率,是目前研究中的热点和难点.针对左、右脚的运动想象脑电信号进行分类研究,分别采集了单纯运动想象和含有电刺激辅助范式中的运动想象脑电信号,使用...     

基于交错组卷积神经网络的脑电信号情绪识别研究

利用深度学习算法实现多种情绪的高效准确识别对当前脑电信号情感计算研究具有一定探索价值。常用的卷积神经网络其种类结构较为复杂且存在参数选择问题,针对不同类型刺激素材下脑电信号的情绪分类问题,搭建了一种交错组卷积神经网络的数学分类模型,此模型在经典卷积神经网络的基础上增加了交错组卷积结构。利用增加交错组卷积模块的LeNet-5卷积网络对诱发的不同情绪下脑电信号进行三分类识别,图片、音乐与视频素材刺激下的脑电信号平均识别率分别为98.74%、95.82%与96.06%。对比传统的机器学习分类算法的识别效果,轻量化结构卷积神经网络的收敛速度和情绪识别准确率均有明显提高,且鲁棒性更强。