基于多域特征选择的运动想象脑电信号解码研究
这是一篇关于脑机接口,运动想象,深度学习,残差网络的论文, 主要内容为随着科学技术和智能化设备的发展,脑机接口(Brain-computer interface,BCI)技术逐渐进入到人们的视野当中。基于运动想象的BCI技术是其中极具发展潜力的方向,在医疗、娱乐、商业及军事等领域均取得了较好的发展成果。BCI技术发展迅速,但在脑电图(electroencephalography,EEG)信息提取的一些关键问题上仍存在着很大的提升空间,包括解码率、可解释性以及在线应用的可用性等。解码率是EEG信号提取的关键研究方向。在基于运动想象EEG的解码过程中,信号分析和转换算法是将大脑神经信号解码为机器能够识别和状态表示的关键组成部分。在训练强度保持不变的情况下,改进信号分析和转换的算法以进一步提高解码性能,优化BCI系统的控制能力已成为该领域研究的重点和难点。共空间模式(Common Spatial Pattern,CSP)的空间权重能够有效的应用于基于运动想象的BCI系统中EEG信号的解码研究。在CSP的优化方法鉴别滤波器组(Discriminative Filter Bank CSP,DFBCSP)中,需要找到与运动想象任务相关的频带。为了解决这一问题,通过增加通道数据优化了子频带的选择。同时,对于DFBCSP算法中所使用经典的样本协方差估计,受到离群值影响较大且存在高度非稳健的特点,使用最小协方差矩阵(Minimum Covariance Determinant,MCD)获取协方差矩阵的稳健估计。论文通过筛选频带以及减少离群值对特征提取的影响,提出了基于双通道MCD-DFBCSP算法从频域和空域角度进行特征提取,并通过线性判别分析方法进行了分类验证。实验结果表明,论文所提出的方法能够增强通道中有效子频带的选择,减少离群值影响,有效提取频域和空域特征,最终在二分类的脑电数据集上分类准确率达到了83.1%。论文针对EEG信号特征提取与分类问题,进一步应用深度学习方法探索运动想象EEG信号的解码研究。论文采取结合双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi LSTM)以及卷积神经网络(Convolutional Neural Networks,CNN)的方法,其中,Bi LSTM可以通过时间拓展,在时域上实现神经元在多个时间节点输出的计算,适用于描述连续状态输出;CNN网络具有优秀的空间扩展性,通过神经元和空间卷积运算可以在空域上高效地提取空间信息。将两种网络结合起来的网络模型,可以同时获取时域和空域的特征信息。此外,通过对网络模型添加Attention机制,提升重要特征的权重,进一步提高了网络模型的解码精度。网络模型在三分类运动想象EEG数据集上进行验证,取得了较为优异的92%分类准确率,证明该模型在时域以及频域的角度上能够有效解码运动想象EEG信号。同时通过召回率、精确率、F1分数以及损失函数进一步验证了模型解码的有效性。为了进一步挖掘运动想象EEG信号的特征并且减少网络层数过多所带来的负面影响,论文在在CNN和Bi LSTM的基础上进行拓展,引入了残差网络(Residual Network,Res Net),提出了CLRNet网络模型。具体为通过CNN进行空间卷积运算找出EEG信号中具有信息量最大的线性子空间,通过Bi LSTM捕获时间动态获取时域信息,使用Res Net对Bi LSTM的多网络输出进行跨层连接增强模型的数据处理能力,最后通过Softmax函数对提取的特征进行分类实现EEG信号解码。该模型在9个脑电数据集上进行四分类验证达到了89%的平均准确率。实验结果证明该模型具有较强的网络泛化能力,对于复杂的MI-EEG信号解码有着更优异的表现。
用于脑机接口的高精度可重构脉冲神经网络硬件设计
这是一篇关于脑机接口,脉冲神经网络,可重构设计,Izhikevich,地址事件表示方法的论文, 主要内容为人类的神经系统是先进的大规模生物信息处理网络,通过收集、处理和评估有关身体内部状态和外部环境信息来控制其他体内系统和肌肉细胞。神经系统的病理过程经常影响沟通能力,沟通能力的受损会进一步导致感觉功能障碍、运动功能障碍或认知功能障碍。为了解决这类难题,研究人员建立了许多用于脑机接口的人工神经网络模型,用于提供检测和治疗的临床手段。但现有的工作中很少有对这类神经网络进行高效硬件设计的。本文考虑了此类用于脑机接口的神经网络对仿生高精度、可扩展性以及可配置等要求,设计了用于脑机接口研究的高精度可重构的仿生脉冲神经网络处理单元。本文从神经元级、突触级、网络级对脉冲神经网络硬件进行了三种层面的创新设计。在神经元级,针对基于传统乘法器实现的Izhikevich神经元硬件开销大的问题以及基于传统坐标旋转数字计算方法(COordinate Rotation DIgital Computer,CORDIC)实现Izhikevich神经元精度较低、计算速度低等问题,本文提出了基于快速收敛CORDIC的高精度Izhikevich神经元在硬件开销、精度以及能效方面取得更加优越的综合性能。在突触级,为了降低神经网络突触权重更新计算的能量消耗,提高片上神经网络的学习效率,本文不仅提出了基于快速收敛CORDIC的经典脉冲时间依赖可塑性(Spike-Timing Dependent Plasticity,STDP)算法的硬件实现,还进行 了简化 STDP 算法的硬件实现以减少硬件开销和能量消耗。在网络级,本文针对脉冲神经网络的稀疏性以及脉冲驱动特点进行了基于地址事件表示方法的设计,并可通过寄存器对用于脑机接口的仿生脉冲神经网络进行可重构的配置。本文对基于快速收敛CORDIC的高精度神经元设计在同一 Xilinx XC7Z020 FPGA平台下进行了验证,其神经元波形ERRT误差与NRMSD误差相比基于传统CORDIC的Izhikevich神经元分别降低了 77.2%与73.6%,计算延时缩短了 42.4%,面积、精度和能效的综合性能提升了 4.67倍。对本文所提用于脑机接口的高精度可重构脉冲神经网络处理单元设计在Xilinx XCVU9P-FLGA104 FPGA平台上进行实现评估,本设计的资源开销为58703个LUT、24188个FF和217.5 KB的BRAM,其最高工作频率为244 MHz,在200 MHz工作频率下功耗为2.559 W。此外,本文基于TSMC 65 nm工艺库对所提设计进行了面向ASIC设计的硬件实现,其硬件资源开销等效为53.2万个二输入与非逻辑门单元,面积为0.849 mm2,最高频率为206 MHz,在100 MHz工作频率下的功耗为152.23mW。最后,本文还使用癫痫患者发病过程的脑电图数据库,通过对脉冲神经网络处理单元的可重构配置,实现了一个仿生脉冲神经网络以复现癫痫发病过程的脑电图,验证了所提设计的应用可行性。
用于脑机接口的高精度可重构脉冲神经网络硬件设计
这是一篇关于脑机接口,脉冲神经网络,可重构设计,Izhikevich,地址事件表示方法的论文, 主要内容为人类的神经系统是先进的大规模生物信息处理网络,通过收集、处理和评估有关身体内部状态和外部环境信息来控制其他体内系统和肌肉细胞。神经系统的病理过程经常影响沟通能力,沟通能力的受损会进一步导致感觉功能障碍、运动功能障碍或认知功能障碍。为了解决这类难题,研究人员建立了许多用于脑机接口的人工神经网络模型,用于提供检测和治疗的临床手段。但现有的工作中很少有对这类神经网络进行高效硬件设计的。本文考虑了此类用于脑机接口的神经网络对仿生高精度、可扩展性以及可配置等要求,设计了用于脑机接口研究的高精度可重构的仿生脉冲神经网络处理单元。本文从神经元级、突触级、网络级对脉冲神经网络硬件进行了三种层面的创新设计。在神经元级,针对基于传统乘法器实现的Izhikevich神经元硬件开销大的问题以及基于传统坐标旋转数字计算方法(COordinate Rotation DIgital Computer,CORDIC)实现Izhikevich神经元精度较低、计算速度低等问题,本文提出了基于快速收敛CORDIC的高精度Izhikevich神经元在硬件开销、精度以及能效方面取得更加优越的综合性能。在突触级,为了降低神经网络突触权重更新计算的能量消耗,提高片上神经网络的学习效率,本文不仅提出了基于快速收敛CORDIC的经典脉冲时间依赖可塑性(Spike-Timing Dependent Plasticity,STDP)算法的硬件实现,还进行 了简化 STDP 算法的硬件实现以减少硬件开销和能量消耗。在网络级,本文针对脉冲神经网络的稀疏性以及脉冲驱动特点进行了基于地址事件表示方法的设计,并可通过寄存器对用于脑机接口的仿生脉冲神经网络进行可重构的配置。本文对基于快速收敛CORDIC的高精度神经元设计在同一 Xilinx XC7Z020 FPGA平台下进行了验证,其神经元波形ERRT误差与NRMSD误差相比基于传统CORDIC的Izhikevich神经元分别降低了 77.2%与73.6%,计算延时缩短了 42.4%,面积、精度和能效的综合性能提升了 4.67倍。对本文所提用于脑机接口的高精度可重构脉冲神经网络处理单元设计在Xilinx XCVU9P-FLGA104 FPGA平台上进行实现评估,本设计的资源开销为58703个LUT、24188个FF和217.5 KB的BRAM,其最高工作频率为244 MHz,在200 MHz工作频率下功耗为2.559 W。此外,本文基于TSMC 65 nm工艺库对所提设计进行了面向ASIC设计的硬件实现,其硬件资源开销等效为53.2万个二输入与非逻辑门单元,面积为0.849 mm2,最高频率为206 MHz,在100 MHz工作频率下的功耗为152.23mW。最后,本文还使用癫痫患者发病过程的脑电图数据库,通过对脉冲神经网络处理单元的可重构配置,实现了一个仿生脉冲神经网络以复现癫痫发病过程的脑电图,验证了所提设计的应用可行性。
用于脑机接口的高精度可重构脉冲神经网络硬件设计
这是一篇关于脑机接口,脉冲神经网络,可重构设计,Izhikevich,地址事件表示方法的论文, 主要内容为人类的神经系统是先进的大规模生物信息处理网络,通过收集、处理和评估有关身体内部状态和外部环境信息来控制其他体内系统和肌肉细胞。神经系统的病理过程经常影响沟通能力,沟通能力的受损会进一步导致感觉功能障碍、运动功能障碍或认知功能障碍。为了解决这类难题,研究人员建立了许多用于脑机接口的人工神经网络模型,用于提供检测和治疗的临床手段。但现有的工作中很少有对这类神经网络进行高效硬件设计的。本文考虑了此类用于脑机接口的神经网络对仿生高精度、可扩展性以及可配置等要求,设计了用于脑机接口研究的高精度可重构的仿生脉冲神经网络处理单元。本文从神经元级、突触级、网络级对脉冲神经网络硬件进行了三种层面的创新设计。在神经元级,针对基于传统乘法器实现的Izhikevich神经元硬件开销大的问题以及基于传统坐标旋转数字计算方法(COordinate Rotation DIgital Computer,CORDIC)实现Izhikevich神经元精度较低、计算速度低等问题,本文提出了基于快速收敛CORDIC的高精度Izhikevich神经元在硬件开销、精度以及能效方面取得更加优越的综合性能。在突触级,为了降低神经网络突触权重更新计算的能量消耗,提高片上神经网络的学习效率,本文不仅提出了基于快速收敛CORDIC的经典脉冲时间依赖可塑性(Spike-Timing Dependent Plasticity,STDP)算法的硬件实现,还进行 了简化 STDP 算法的硬件实现以减少硬件开销和能量消耗。在网络级,本文针对脉冲神经网络的稀疏性以及脉冲驱动特点进行了基于地址事件表示方法的设计,并可通过寄存器对用于脑机接口的仿生脉冲神经网络进行可重构的配置。本文对基于快速收敛CORDIC的高精度神经元设计在同一 Xilinx XC7Z020 FPGA平台下进行了验证,其神经元波形ERRT误差与NRMSD误差相比基于传统CORDIC的Izhikevich神经元分别降低了 77.2%与73.6%,计算延时缩短了 42.4%,面积、精度和能效的综合性能提升了 4.67倍。对本文所提用于脑机接口的高精度可重构脉冲神经网络处理单元设计在Xilinx XCVU9P-FLGA104 FPGA平台上进行实现评估,本设计的资源开销为58703个LUT、24188个FF和217.5 KB的BRAM,其最高工作频率为244 MHz,在200 MHz工作频率下功耗为2.559 W。此外,本文基于TSMC 65 nm工艺库对所提设计进行了面向ASIC设计的硬件实现,其硬件资源开销等效为53.2万个二输入与非逻辑门单元,面积为0.849 mm2,最高频率为206 MHz,在100 MHz工作频率下的功耗为152.23mW。最后,本文还使用癫痫患者发病过程的脑电图数据库,通过对脉冲神经网络处理单元的可重构配置,实现了一个仿生脉冲神经网络以复现癫痫发病过程的脑电图,验证了所提设计的应用可行性。
脑电波控制的网页游戏设计与实现
这是一篇关于脑电波控制,脑机接口,中风康复,网页游戏的论文, 主要内容为在我国,中风病人人数众多,每年还在呈增长趋势,并且中风致残率高死亡率高。中风病人的传统治疗方法主要是药物治疗,然后通过运动辅助治疗,治疗时间长但效果却不太明显,因此如何让中风病人更好的进行康复成为现阶段迫切需要解决的问题。 近年来,一种新兴的脑机接口(Brain-Computer Interface, BCI)技术被应用在中风病人的康复上。BCI在人的大脑和外部设备之间建立直接连接的通路,它把大脑发出的信息转换成驱动外部设备的命令,实现对外界环境的控制。BCI可以为大脑正常但是肢体有障碍的病人提供服务,从而提高他们的生活质量,中风病人利用BCI进行长期训练将会有助于他们的康复。本文在研究已有BCI系统的基础上,设计了一种脑电波控制的网页游戏系统。系统采用Flex+Spring+Hibernate框架,基于Flex和JavaEE的多层体系结构,分模块设计,最后根据模块设计完成相应的实现。该系统的主要功能是提取使用者的脑电波相关信息,经过处理之后实现对网页游戏的控制。中风病人在体验游戏的过程中能够锻炼其集中注意力的能力,起到辅助康复的作用。
基于多域特征选择的运动想象脑电信号解码研究
这是一篇关于脑机接口,运动想象,深度学习,残差网络的论文, 主要内容为随着科学技术和智能化设备的发展,脑机接口(Brain-computer interface,BCI)技术逐渐进入到人们的视野当中。基于运动想象的BCI技术是其中极具发展潜力的方向,在医疗、娱乐、商业及军事等领域均取得了较好的发展成果。BCI技术发展迅速,但在脑电图(electroencephalography,EEG)信息提取的一些关键问题上仍存在着很大的提升空间,包括解码率、可解释性以及在线应用的可用性等。解码率是EEG信号提取的关键研究方向。在基于运动想象EEG的解码过程中,信号分析和转换算法是将大脑神经信号解码为机器能够识别和状态表示的关键组成部分。在训练强度保持不变的情况下,改进信号分析和转换的算法以进一步提高解码性能,优化BCI系统的控制能力已成为该领域研究的重点和难点。共空间模式(Common Spatial Pattern,CSP)的空间权重能够有效的应用于基于运动想象的BCI系统中EEG信号的解码研究。在CSP的优化方法鉴别滤波器组(Discriminative Filter Bank CSP,DFBCSP)中,需要找到与运动想象任务相关的频带。为了解决这一问题,通过增加通道数据优化了子频带的选择。同时,对于DFBCSP算法中所使用经典的样本协方差估计,受到离群值影响较大且存在高度非稳健的特点,使用最小协方差矩阵(Minimum Covariance Determinant,MCD)获取协方差矩阵的稳健估计。论文通过筛选频带以及减少离群值对特征提取的影响,提出了基于双通道MCD-DFBCSP算法从频域和空域角度进行特征提取,并通过线性判别分析方法进行了分类验证。实验结果表明,论文所提出的方法能够增强通道中有效子频带的选择,减少离群值影响,有效提取频域和空域特征,最终在二分类的脑电数据集上分类准确率达到了83.1%。论文针对EEG信号特征提取与分类问题,进一步应用深度学习方法探索运动想象EEG信号的解码研究。论文采取结合双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi LSTM)以及卷积神经网络(Convolutional Neural Networks,CNN)的方法,其中,Bi LSTM可以通过时间拓展,在时域上实现神经元在多个时间节点输出的计算,适用于描述连续状态输出;CNN网络具有优秀的空间扩展性,通过神经元和空间卷积运算可以在空域上高效地提取空间信息。将两种网络结合起来的网络模型,可以同时获取时域和空域的特征信息。此外,通过对网络模型添加Attention机制,提升重要特征的权重,进一步提高了网络模型的解码精度。网络模型在三分类运动想象EEG数据集上进行验证,取得了较为优异的92%分类准确率,证明该模型在时域以及频域的角度上能够有效解码运动想象EEG信号。同时通过召回率、精确率、F1分数以及损失函数进一步验证了模型解码的有效性。为了进一步挖掘运动想象EEG信号的特征并且减少网络层数过多所带来的负面影响,论文在在CNN和Bi LSTM的基础上进行拓展,引入了残差网络(Residual Network,Res Net),提出了CLRNet网络模型。具体为通过CNN进行空间卷积运算找出EEG信号中具有信息量最大的线性子空间,通过Bi LSTM捕获时间动态获取时域信息,使用Res Net对Bi LSTM的多网络输出进行跨层连接增强模型的数据处理能力,最后通过Softmax函数对提取的特征进行分类实现EEG信号解码。该模型在9个脑电数据集上进行四分类验证达到了89%的平均准确率。实验结果证明该模型具有较强的网络泛化能力,对于复杂的MI-EEG信号解码有着更优异的表现。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/51910.html
