运动想象脑电信号识别方法研究与实现
文献类型：学位论文
| 作者 | 冯海峰 |
| 答辩日期 | 2021-05-21 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 唐凤珍 |
| 关键词 | 运动想象 对称正定矩阵 学习矢量量化 黎曼随机梯度下降 黎曼测地线距离 |
| 学位名称 | 专业学位硕士 |
| 学位专业 | 控制工程 |
| 其他题名 | Research and implementation of motor imagery EEG signal recognition method |
| 英文摘要 | 脑机接口，是通过对大脑活动解码来直接控制外部设备的一种技术，在医疗康复以及神经科学、军事等各领域有着极大的应用前景。因此，脑机接口有着深远的研究意义和应用价值。基于运动想象的脑机接口是指仅通过“意识”来想象肢体运动的自发性脑机接口，无需外界刺激，是当前的研究热点之一。脑电信号是非平稳、非线性信号，具有信号幅度微弱、时空分辨率低、信噪比低噪声干扰大等特点，因此，对脑电信号的解码工作具有极大的挑战性。基于协方差矩阵的黎曼方法在脑机接口领域被越来越多的研究者所关注。本文借助黎曼几何工具，充分利用黎曼流形上的非线性结构，提出一种新的脑电信号协方差特征解码方法。本文研究的主要内容为：（1）本文提出一种基于黎曼梯度下降的黎曼方法，来解决当前大部分黎曼方法将对称正定矩阵数据在黎曼均值点做切空间映射时存在扭曲近似缺陷的问题。将基于距离分类的概率学习矢量量化原型算法推广到了具有仿射不变黎曼度量的对称正定矩阵空间，通过局部黎曼梯度下降优化学习分类器原型。在对合成数据集、图像数据集和运动想象脑电数据的实验中，证明了算法的有效性。（2）针对上述推广得到的概率学习黎曼空间量化算法性能很大程度上取决于超参数的初始选择问题，而在数据学习之前不能得到最优超参数，存在一定的局限性，本文提出超参数学习算法考虑超参数的影响，在学习过程中通过最小化代价函数来自动学习超参数。在对合成数据、图像数据集和运动想象数据集的实验表明，超参数学习策略对其初始值具有非常强的鲁棒性，大大提高了概率学习黎曼空间量化算法的灵活性。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 69页 |
| 源URL | [http://ir.sia.cn/handle/173321/28973]  |
| 专题 | 沈阳自动化研究所_机器人学研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 冯海峰. 运动想象脑电信号识别方法研究与实现[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。