检索结果-南通市图书馆

Transfer Learning in Motor Imagery Brain Computer Interface: A Review

在线全文

学校读者我要写书评

暂无评论

Journal of Shanghai Jiaotong university(Science) 2024年第1期29卷 37-59页

作者：李明爱许冬芹 Faculty of Information Technology Beijing University of TechnologyBeijing 100124China Beijing Key Laboratory of Computational Intelligence and Intelligent System Beijing 100124China Engineering Research Center of Digital Community Ministry of EducationBeijing 100124China

Transfer learning,as a new machine learning methodology,may solve problems in related but different domains by using existing knowledge,and it is often applied to transfer training data from another domain for model training in the case of insuficient training *** recent years,an increasing number of researchers who engage in brain-computer interface(BCI),have focused on using transfer learning to make most of the available electroencephalogram data from different subjects,effectively reducing the cost of expensive data acquisition and labeling as well as greatly improving the learning performance of the *** paper surveys the development of transfer learning and reviews the transfer learning approaches in *** addition,according to the"what to transfer"question in transfer learning,this review is organized into three contexts:instance-based transfer learning,parameter-based transfer learning,and feature-based transfer ***,the current transfer learning applications in BCI research are summarized in terms of the transfer learning methods,datasets,evaluation performance,*** the end of the paper,the questions to be solved in future research are put forward,laying the foundation for the popularization and in-depth research of transfer learning in BCI.

关键词： transfer learning brain-computer interface(BCI) electroencephalogram machine learning

基于偶极子成像和3D卷积神经网络的源域运动想象解码方法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

北京生物医学工程 2024年第05期 441-450页

作者：李明爱李翔宇北京工业大学信息科学技术学院计算智能与智能系统北京市重点实验室数字社区教育部工程研究中心

目的为充分保留和利用运动想象（motor imagery, MI）时偶极子的时空信息，本文提出一种新的偶极子成像（dipoles imaging, DI）结合3维卷积神经网络（3D convolutional neural network, 3DCNN）的源域MI解码方法（DI-3DCNN）。方法 ... 详细信息

目的为充分保留和利用运动想象（motor imagery, MI）时偶极子的时空信息，本文提出一种新的偶极子成像（dipoles imaging, DI）结合3维卷积神经网络（3D convolutional neural network, 3DCNN）的源域MI解码方法（DI-3DCNN）。方法首先，基于脑源成像（electroencephalography source imaging, ESI）技术计算运动想象脑电信号的偶极子源估计；接着，获取每类MI任务的平均偶极子源估计，基于数据驱动自动选择每类任务中偶极子激活水平较高且最大区分于其他任务的时刻作为中心采样点，再对中心采样点进行前后延伸并按任务顺序组合，形成感兴趣时间（time of interest, TOI）;其次，选择覆盖高激活偶极子的Desikan-Killiany（DK）神经分区，并对局部保持投影方法（local preserving projection, LPP）增加DK分区约束，获得一种改进的有监督LPP(LPPDK);进而，基于LPPDK分别将所选择左、右半脑分区内的偶极子坐标从3维（three dimensional, 3D）降成2维，获得具有神经生理先验信息的偶极子2D坐标，再结合TOI内各采样点处偶极子的幅值信息进行成像，并进行插值、下采样操作，得到偶极子的2D幅值图；随后，将TOI内偶极子的2D幅值图按时间顺序堆叠，获得左、右半脑的3D偶极子特征图，并将其作为网络的输入数据；最后，根据输入数据的特点，设计一种双分支3D卷积神经网络（dual-branched 3DCNN,DB3DCNN）实现MI解码。结果基于BCI competition IV 2a数据集进行实验研究，取得了86.50%的平均解码准确率。结论基于DI所得3D偶极子特征图能够较好地保留偶极子的最佳激活时间、程度及生理空间信息，且与DB3DCNN性能匹配。

关键词：运动想象脑源成像局部保持投影卷积神经网络 Desikan-Killiany分区

基于改进型生成式对抗网络的EEG-fNIRS多模态信号数据增广研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

北京生物医学工程 2024年第3期43卷 250-258页

作者：王鹏举李明爱北京工业大学信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124 教育部数字社区教育工程中心北京100124

目的基于深度学习的脑电图-功能性近红外光谱技术(electroencephalogram-functional near-infrared spectroscopy,EEG-fNIRS)多模态脑机接口在康复工程中具有广泛的应用前景,但存在数据量不足的问题。为此,本文提出一种基于改进条件生... 详细信息

目的基于深度学习的脑电图-功能性近红外光谱技术(electroencephalogram-functional near-infrared spectroscopy,EEG-fNIRS)多模态脑机接口在康复工程中具有广泛的应用前景,但存在数据量不足的问题。为此,本文提出一种基于改进条件生成式对抗网络(conditional generative adversarial network,CGAN)的EEG-fNIRS多模态信号数据增广方法,以解决EEG-fNIRS多模态脑机接口与深度学习结合时面临的数据量匮乏的问题。方法首先,对EEG和fNIRS数据进行滤波、归一化和下采样等预处理。然后,针对EEG的非平稳特点,在CGAN生成器和判别器中增加自注意力机制,获得EEG数据增广模型CGAN_(E),加强捕捉和学习时变关键信息的能力。同时,针对fNIRS采样率低、信息量不充分问题,在CGAN生成器和判别器中增加上采样卷积层,获得fNIRS数据增广模型CGAN_(f),加强模型的信息挖掘能力,并将CGAN_(E)和CGAN_(f)的条件信息设置为类标签;进而,利用CGAN_(E)和CGAN_(f)对每导EEG和fNIRS分别进行增广,并将多导EEG扩增数据和多导fNIRS[包括氧合血红蛋白浓度(oxyhemoglobin concentration,HbO)和脱氧血红蛋白浓度(deoxyhemoglobin concentration,HbR)两种]扩增数据串接融合,获得EEG-fNIRS多模态增广数据。最后,对公开的EEG-fNIRS多模态信号数据集TU-Berlin-A前6名受试者数据进行增广实验,并设计一维卷积神经网络分类器评估增广数据的质量。结果基于EEG-fNIRS多模态信号公开数据集TU-Berlin-A前6名受试者的左右手运动想象数据进行实验研究表明,当数据扩增5倍时,本文方法取得94.81%的平均分类准确率。结论CGAN_(E)和CGAN_(f)能够生成接近真实数据分布的EEG和fNIRS信号,验证了对CGAN改进和本文所提EEG-fNIRS多模态数据增广方法的有效性。

关键词：脑电图功能性近红外光成像技术多模态信号条件生成式对抗网络数据增广

维普期刊数据库博看期刊

基于神经网络集成技术的运动想像脑电识别方法

在线全文

学校读者我要写书评

暂无评论

北京工业大学学报 2011年第3期37卷 347-352页

作者：李明爱王蕊郝冬梅北京工业大学人工智能与机器人研究所北京100124

针对运动想像脑电信号,提出一种基于神经网络集成技术的识别方法.该方法通过离散小波变换(DWT)抽取想像左、右手运动的主要特征,采用Bagging算法构建神经网络集成(NNE)模型,并选取相对多数投票法获得网络集成的输出结果.在'BCI Competit... 详细信息

针对运动想像脑电信号,提出一种基于神经网络集成技术的识别方法.该方法通过离散小波变换(DWT)抽取想像左、右手运动的主要特征,采用Bagging算法构建神经网络集成(NNE)模型,并选取相对多数投票法获得网络集成的输出结果.在'BCI Competition 2003'竞赛数据集上的实验结果表明,该方法得到了比基于单个神经网络的脑电信号识别方法更高的识别率,同时,降低了个体神经网络的配置难度,提高了系统的泛化能力.

关键词：神经网络集成 Bagging算法 BP神经网络运动想像小波变换

基于连续Hopfield网络的多变量时变系统最优控制

在线全文

学校读者我要写书评

暂无评论

控制与决策 2005年第9期20卷 1038-1042,1046页

作者：李明爱阮晓钢北京工业大学电子信息与控制工程学院北京100022

针对多变量时变系统提出了一种基于连续Hop fie ld网络的最优控制系统设计方法.该方法不仅从理论上建立了移动时域上的LQ性能指标与连续Hop fie ld网络能量函数间的等价关系,并在此基础上设计出可求解LQ最优控制问题的连续Hop fie ld网... 详细信息

针对多变量时变系统提出了一种基于连续Hop fie ld网络的最优控制系统设计方法.该方法不仅从理论上建立了移动时域上的LQ性能指标与连续Hop fie ld网络能量函数间的等价关系,并在此基础上设计出可求解LQ最优控制问题的连续Hop fie ld网络,而且将滚动优化控制策略引入控制系统,形成了包括连续Hop fie ld网络在内的闭环控制结构,实现了多变量时变系统无限域上的动态最优控制.仿真结果验证了该设计方法的有效性.

关键词：连续Hopfield网络 LQ控制滚动优化多变量时变系统动态控制

基于连续小波变换和符号传递熵的脑功能网络构建方法

在线全文

学校读者我要写书评

暂无评论

电子学报 2022年第7期50卷 1600-1608页

作者：李明爱张圆圆北京工业大学信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124 教育部数字社区工程研究中心北京100124

为有效利用运动想象脑电信号(Motor Imagery Electroencephalogram,MI-EEG)的频域信息并精确反映脑电极之间的非线性因果交互作用,本文提出一种基于连续小波变换和符号传递熵的脑功能网络构建方法.首先,对每导MI-EEG进行连续小波变换,... 详细信息

为有效利用运动想象脑电信号(Motor Imagery Electroencephalogram,MI-EEG)的频域信息并精确反映脑电极之间的非线性因果交互作用,本文提出一种基于连续小波变换和符号传递熵的脑功能网络构建方法.首先,对每导MI-EEG进行连续小波变换,求得其时-频-能量矩阵;然后,将与运动想象密切相关的频带内各频率所对应的时间-能量序列依次拼接,得到各导联的一维时频能量序列;最后,基于任意两电极时频能量序列间的符号传递熵计算连接矩阵,构建脑功能网络.实验结果表明,以电极时频能量序列间的符号传递熵构建的脑功能网络,能够有效反映MIEEG的时频特征和非线性特征信息传递,相比于传统脑网络构建方法,更有利于增强不同运动想象任务的可分性.

关键词：脑-机接口运动想象脑电信号连续小波变换符号传递熵脑功能网络

基于浅层视觉几何组网络的参数迁移学习及其在运动想象分类中的应用

在线全文

学校读者我要写书评

暂无评论

生物医学工程学杂志 2022年第1期39卷 28-38页

作者：许冬芹李明爱北京工业大学信息学部北京100124 北京市计算机智能和智能系统重点实验室北京100124 教育部数字社区工程研究中心北京100124

迁移学习在基于运动想象脑电信号(MI-EEG)的脑机接口(BCI)康复系统中具有潜在的研究价值和应用前景,而源域分类模型及迁移策略是直接影响目标域模型性能与迁移效率的两个重要方面。为此,本文提出一种基于浅层视觉几何组网络(sVGG)的参... 详细信息

迁移学习在基于运动想象脑电信号(MI-EEG)的脑机接口(BCI)康复系统中具有潜在的研究价值和应用前景,而源域分类模型及迁移策略是直接影响目标域模型性能与迁移效率的两个重要方面。为此,本文提出一种基于浅层视觉几何组网络(sVGG)的参数迁移学习(PTL)方法(PTL-sVGG)。首先,基于皮尔逊相关系数法对源域受试者进行筛选,并对优选的受试者MI-EEG数据进行短时傅里叶变换,获得时频谱图(TFSI);然后,对视觉几何组网络-16(VGG-16)进行结构简化与模块化设计,并利用源域TFSI完成改进的sVGG模型预训练;进而,设计基于模块的冻结—微调迁移策略,快速寻找并冻结sVGG模型中贡献最大的某个模块,再基于目标受试者TFSI微调其余模块,获得目标域分类模型。基于公开脑电信号(EEG)数据库进行实验研究,PTL-sVGG取得的平均识别率和卡帕(Kappa)值分别为94.9%和0.898。结果表明,源域受试者优选有利于改善源域模型性能,基于模块的迁移策略有效提升了迁移效率,实现了基于不同导联数的数据库跨受试者间模型参数的快速有效迁移。这将有利于减少BCI系统的校准时间,促进BCI技术在康复工程中的应用。

关键词：运动想象参数迁移学习视觉几何组网络皮尔逊相关系数迁移策略

在线全文

学校读者我要写书评

暂无评论

脑电信号中眼电伪迹自动去除方法的研究

电子学报 2013年第6期41卷 1207-1213页

作者：李明爱崔燕杨金福北京工业大学电子信息与控制工程学院北京100124

针对实际采集的脑电信号受眼电干扰较大,提出一种基于离散小波变换(DWT)与独立分量分析(ICA)的自动去除眼电伪迹的方法(DWIC).对采集的多导脑电和眼电信号进行离散小波变换,获取多尺度小波系数,将串接小波系数作为ICA的输入;利用基于负... 详细信息

针对实际采集的脑电信号受眼电干扰较大,提出一种基于离散小波变换(DWT)与独立分量分析(ICA)的自动去除眼电伪迹的方法(DWIC).对采集的多导脑电和眼电信号进行离散小波变换,获取多尺度小波系数,将串接小波系数作为ICA的输入;利用基于负熵判据的FastICA算法实现独立成分的快速获取,引入夹角余弦准则自动识别眼迹成分,并经过ICA逆变换将剔除眼迹后的独立成分投影返回到原脑电信号各个电极;通过DWT逆变换重构信号,即可得到去除眼迹的各导脑电信号.实验结果表明,DWICA方法极大地提高了脑电信号的信噪比,抗噪能力强且实时性好,为脑电信号的在线预处理提供了新思路.

关键词：脑电眼电伪迹离散小波变换独立分量分析自动去除

在线全文

学校读者我要写书评

暂无评论

一种新的基于距离加权的模板约简K近邻算法

电子与信息学报 2011年第10期33卷 2378-2383页

作者：杨金福宋敏李明爱北京工业大学电子信息与控制工程学院北京100124

作为一种非参数的分类算法,K近邻(KNN)算法简单有效并且易于实现。但传统的KNN算法认为所有的近邻样本贡献相等,这就使得算法容易受到噪声的干扰,同时对于大的数据集,KNN的计算代价非常大。针对上述问题,该文提出了一种新的基于距离加... 详细信息

作为一种非参数的分类算法,K近邻(KNN)算法简单有效并且易于实现。但传统的KNN算法认为所有的近邻样本贡献相等,这就使得算法容易受到噪声的干扰,同时对于大的数据集,KNN的计算代价非常大。针对上述问题,该文提出了一种新的基于距离加权的模板约简K近邻算法(TWKNN)。利用模板约简技术,将训练集中远离分类边界的样本去掉,同时按照各个近邻与待测样本的距离为K个近邻赋予不同的权值,增强了算法的鲁棒性。实验结果表明,该方法可以有效地减少训练样本数目,同时还能保持传统KNN的分类精度。

关键词：模式识别距离加权模板约简 K近邻(KNN)