高噪声背景下基于结构优化深度网络的脑电识别与服务机器人控制

It’s difficult to extract reliable features and recognize the EEG with intense noise and multi-interferences, the project researches EEG signal reconstruction and noise filtering methods and effective methods of EEG feature analysis and recognition, and designs intelligent wheelchair control systems based on brain computer interface (BCI) and EEG assisted by EMG. In order to reconstruct a clean input from a partially destroyed one, a denoising auto-encoder is proposed by improving the training process of auto-encoder; to learn effective features from EEG with intense noise automatically, smooth convolutional stacked auto-encoder is proposed combing stacked auto-encoders with the convolutional technique and smoothness constraint. An improved deep stacking network is proposed, which is stacked by several modules and the hidden units of each module is partially visible instead of being completely hidden, and a structure optimized convolutional neural network is researched, the deep learning methods are applied for feature extraction and recognition of original EEG signals. After comparing the above-mentioned methods, an intelligent wheelchair motor imagery control system based on BCI and a control system based on EEG and EMG are designed, and practical tests are conducted. These works will provide theoretical basis for EEG signals analysis and reliable BCI system development in high noise and multi-interference environment and promote its practical applications.

针对高噪声及多干扰情况下脑电信号（EEG）特征提取和识别困难的问题，研究高噪声背景下脑电信号重构与噪声过滤方法以及具有高可靠性的EEG特征提取和识别方法，并在此基础上设计基于脑机接口和肌电辅助脑电的智能轮椅控制系统。为从有噪声的输入中重构出干净的输入，改进自动编码机的贪婪逐层训练过程提出降噪自动编码机方法；融合自动编码机、卷积技术和平滑限制提出平滑卷积堆叠自动编码机，以从高噪声脑电信号中自动学习出有效的特征；以深度信念网络为基础提出一种隐含层部分可见的深层堆叠网络，对固定结构的卷积神经网络进行参数和特征图连接结构的优化；基于结构优化深度网络对高噪声脑电数据进行特征提取和识别，并进行离线仿真实验与分析；在此基础上设计基于脑机接口和基于肌电辅助脑电的智能轮椅控制系统，并进行实际综合测试。本项目的开展将为高噪声、多干扰背景下具有高可靠性的脑机接口系统的设计提供理论依据并促进实际应用。

脑机接口是人类了解和提高脑功能的重要手段，正成为脑科学、生物医学及康复工程、智能信息处理等领域的一个研究热点。目前脑机接口系统虽然已经开始进入临床应用的研究阶段，但是还存在信号识别率低、实用性差等困难和挑战。.本项目针对高噪声及多干扰情况下脑电信号（EEG）特征提取和识别困难的问题，对高噪声背景下脑电信号重构与噪声过滤方法以及具有高可靠性的脑电特征提取和识别方法进行了研究，并设计了基于脑机接口的智能轮椅控制系统。以自动编码机为基础，对原始输入向量加入噪声处理，隐含层加入稀疏限制，提出了改进算法—堆叠稀疏降噪自动编码机。为更有效地提取原始EEG的数据特征，提出一种新的基于K-近邻算法的平滑自动编码机。为利用每个通道的脑电信号之间的相关性，提出了一种结合条件经验模式分解和串并行卷积神经网络来识别EEG信号的方法。为有效避免反向传播中的梯度消失问题，提出一种PSO优化的隐层部分可见深层堆叠网络用于脑电信号识别。针对监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题，提出一种基于深层堆叠网络的半监督特征学习方法。提出基于具有自适应学习速率策略的深度堆叠网络的可扩展结构以自动从原始数据中提取抽象特征。为充分利用脑电的时空特性，提出一种基于并行堆叠降噪编码机和卷积神经网络的EEG识别算法。针对深度信念网络处理小样本脑电信号训练时间长的问题，提出一种基于随机隐退的深度信念网络。.通过实际综合测试，所提方法在自行采集的脑电数据集上平均识别率超过90%，在公开数据集上平均识别率超过80%。最后，在设计的智能轮椅平台上进行了轮椅前进、左转和右转在线控制实验，能较准确地完成各种任务。现有的脑机接口系统大都要求在实验室安静环境下进行，但实际应用中用户处在现实高噪音及各种干扰情况下。本项目的开展可为高噪声、多干扰背景下具有高可靠性的脑机接口系统的设计提供理论依据并促进脑机接口的实际应用。

内容获取失败，请点击重试