检索结果-南通市图书馆

作者：梁光金曲阜师范大学

学位级别：硕士

运动想象(Motor Imagery,MI)是脑机接口(Brain-Computer Interface,BCI)中常用的一种范式,以其自发性的特点被广泛地应用于外围设备的控制。但是MIBCI能够输出的控制指令少,并且指令类型单一,缺乏与真实的控制指令间的直接联系,这极大... 详细信息

运动想象(Motor Imagery,MI)是脑机接口(Brain-Computer Interface,BCI)中常用的一种范式,以其自发性的特点被广泛地应用于外围设备的控制。但是MIBCI能够输出的控制指令少,并且指令类型单一,缺乏与真实的控制指令间的直接联系,这极大的限制了 MIBCI的进一步发展。本文围绕解码被试的直觉式方向精细运动想象脑电信号进行了深入的研究,以期通过实时解码被试的方向运动想象脑电信号实现被试对外围设备的直觉式控制,为BCI的在线实际应用提供新的思路。主要研究内容如下:(1)针对精细运动想象数据,特别是直觉式方向精细运动想象脑电数据短缺的问题,设计了一种新的运动想象脑电数据采集实验范式,并且依据此范式创建了一个包含14个被试的直觉式方向精细运动想象脑电数据集。范式以经典的“推箱子”游戏为运动想象刺激材料,激发被试的上、下、左和右四个方向运动想象任务的脑电数据。每个被试在不同的时间采集三次脑电数据,每次采集实验中每个运动想象任务采集100组,每个被试共采集1200组数据,数据集中共包含了 16800组数据。跨时间尺度的数据集还可用于研究时间因素对模型解码性能的影响。(2)针对MI脑电解码模型的解码精度不高、模型参数量大以及模型不具备可解释性的问题,提出了一种新的方向精细运动想象脑电解码模型EISATC-Fusion,模型包含 Inception 块、多头自注意力机制(Multi-Head Self-Attention,MSA)、时间卷积网络(Temporal Convolutional Network,TCN)以及模型层融合。基于深度可分离(Depthwise Separable,DS)卷积和Inception块设计了多尺度并行模块DS Inception(DSI),用于提取脑电信号的多尺度时间信息。针对应用MSA处理脑电信号时的注意力塌陷问题,设计了基于卷积神经网络和Cos注意力的cnnCosMSA注意力模块,用于提取不同频率的全局时间信息,并且增强了模型的可解释性。基于深度可分离卷积和TCN设计了 TDSCN模块,用于提取脑电信号的高维度时间特征。将DSI和cnnCosMSA的输出在深度维度上进行特征融合并输入TDSCN,并且使用一个可学习的张量实现了自适应的决策信息融合。EISATC-Fusion模型在公开数据集BCI-2a和BCI-2b上分别实现了84.57%和87.58%的被试内的解码准确率,在BCI-2a上实现了 67.42%的跨被试解码准确率,在本文采集的直觉式方向精细运动想象脑电数据集上分别实现了74.5%和65.29%的被试内解码准确率和跨被试解码准确率。(3)为了进一步提高模型的解码精度,改进了两阶段模型训练策略。在模型训练的第一阶段,增加验证集的Loss作为模型训练早停的指标。验证集上的准确率作为主要的早停指标,同时考虑模型在验证集上的Loss。综合考虑了两种不同的评价指标,在提高模型的解码精度的同时改善了模型的鲁棒性。使用多个先进的脑电解码模型在BCI-2a数据集上进行了训练策略的实验,使用改进的训练策略训练后所有模型对脑电信号的解码准确率均有所提高,其中EISATC-Fusion 提高了 9.77%、EEG-TCNet 提升了 2.76%以及 ShallowConv 提升了 2.36%。实验结果表明,本文改进的模型训练策略能够改善模型的解码准确率并且具有普适性。(4)搭建在线实验验证平台,进行在线脑电解码实验。以人体肩关节主动康复训练为背景设计了在线实验流程。使用本文提出的运动想象脑电解码模型在4名被试上实现了 69.16%的平均解码准确率。进一步通过迁移学习的方法将准确率提升到了 73.52%,证明了在线实时的解码被试的方向运动想象脑电信号是可行的。在线实验实现了通过被试的方向运动想象脑电信号控制外围设备,这为脑机接口的在线实际应用提供了一种新的方式。

关键词：脑机接口精细运动想象脑电解码深度学习多头自注意力

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于精细运动想象的脑机接口技术研究进展

引用

人工智能 2021年第6期 40-50页

作者：邱爽张裕坤吴晨瑶马学林魏玮何晖光中国科学院自动化研究所类脑智能研究中心北京市100190 中国科学院大学人工智能学院北京市100049 中国科学院脑科学与智能技术卓越创新中心北京市100190 中国科学院自动化研究所模式识别国家重点实验室北京100190

基于运动想象的脑机接口(Motor Imagery based Brain-Computer Interface,MIBCI)对运动康复具有重大意义。然而,现有MI-BCI指令集有限,在高维精细运动控制时,运动意图与动作输出无法匹配,不利于构建反馈真实运动意图的闭环运动康复系统... 详细信息

基于运动想象的脑机接口(Motor Imagery based Brain-Computer Interface,MIBCI)对运动康复具有重大意义。然而,现有MI-BCI指令集有限,在高维精细运动控制时,运动意图与动作输出无法匹配,不利于构建反馈真实运动意图的闭环运动康复系统。近年来,精细运动想象编解码研究逐渐受到关注与重视,在范式与解码方法两方面取得了一些研究进展。范式方面,一些研究对想象单一肢体不同关节、同一关节不同自由度的动作进行了尝试;解码方法方面,传统机器学习、深度学习与基于领域自适应的迁移学习方法等被引入到了精细运动想象解码研究中。本综述讨论了基于脑电信号的精细运动想象范式与解码方法的研究进展,并展望了其未来前景,以期促进精细运动想象脑机接口技术的深入研究及未来应用。

关键词：脑机接口脑电精细运动想象范式解码

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

面向上肢康复的VR-BCI训练系统关键技术研究

面向上肢康复的VR-BCI训练系统关键技术研究

引用

作者：杨亮宇常州大学

学位级别：硕士

脑机接口(BCI)技术能够将大脑与外界相连接,逐渐应用于医学领域的疾病治疗,而脑电处理算法实时性、准确性均有所不足。同时,随着上肢康复训练需求的提升,经典运动想象范式主要包含四肢和舌头的训练,导致无法针对特定关节进行训练。患者... 详细信息

脑机接口(BCI)技术能够将大脑与外界相连接,逐渐应用于医学领域的疾病治疗,而脑电处理算法实时性、准确性均有所不足。同时,随着上肢康复训练需求的提升,经典运动想象范式主要包含四肢和舌头的训练,导致无法针对特定关节进行训练。患者进行长时间的经典运动想象范式训练时,注意力会持续降低,使得训练质量下降。虚拟现实(VR)技术具有高沉浸感的特点,能够改善训练环境。因此,设计针对于上肢各关节精细运动想象的实验范式,研究脑电解码的鲁棒算法,开发结合VR技术的在线上肢康复训练系统具有重要的研究意义。首先,设计了一种针对单侧上肢肩关节、肘关节的精细运动想象范式,并采集了20例健康人的脑电数据。其次,提出了结合共空间模式(CSP)和改进多尺度排列熵(IMPE)的多域特征融合算法,将CSP、IMPE特征矩阵以矩阵拼接的方式进行融合,得到多域融合特征;然后,使用树(Tree)、线性判别分析(LDA)、朴素贝叶斯(Naive Bayes)、支持向量机(SVM)、K最近邻(KNN)、集成学习(Ensemble)六种传统分类器对CSP、IMPE和多域融合特征分类,并与时频共空间模式(CTFSP)算法进行对比。最后,设计研制在线上肢康复训练系统。利用Unity 3D,设计三种针对上肢肩、肘、腕关节的上肢康复VR游戏;使用深度学习EEGnet模型,构建在线脑电处理模块;利用TCP/IP协议将在线脑电处理模块与VR游戏相连接。实验结果表明:20名健康人的CSP、IMPE和多域融合特征在六种传统分类器中,最高分类精度分别为98.3%、67.5%、99.2%。多域融合特征分类平均精度为90.415%,CTFSP算法特征分类平均精度为89.89%,发现本文所提出的多域特征融合算法比CTFSP分类精度高0.53%。选取10名健康被试先进行VR游戏离线训练,建立EEGnet离线特征分类模型,再进行在线上肢康复VR游戏训练,得到最高73%的分类精度。本文设计的面向基于上肢康复的VR-BCI训练系统包含离线训练模块和在线训练模块,满足了上肢运动功能康复的多样化需求,实现了上肢康复的在线化,为上肢康复提供了新思路。

关键词：虚拟现实脑机接口精细运动想象在线上肢康复多域特征融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：