用于运动想象的脑机接口深度学习模型的高效算法研究
结题报告
批准号:
61701270
项目类别:
青年科学基金项目
资助金额:
25.0 万元
负责人:
徐舫舟
依托单位:
学科分类:
F0125.医学信息检测与处理
结题年份:
2020
批准年份:
2017
项目状态:
已结题
项目参与者:
张迎春、袁琦、刘海英、崔丽霞、孙孟玉、鞠宏宝
国基评审专家1V1指导 中标率高出同行96.8%
结合最新热点,提供专业选题建议
深度指导申报书撰写,确保创新可行
指导项目中标800+,快速提高中标率
客服二维码
微信扫码咨询
中文摘要
脑电(EEG)信号特征提取和运动想象任务分类识别已成为阻碍脑机接口(BCI)技术性能提高的瓶颈。本项目拟基于深度学习理论,结合概率协作表示与信道选择,为基于深度学习网络模型的运动想象BCI系统提供直接的理论基础和技术支撑。利用长短时记忆元递归神经网络的优势来描述运动想象EEG,优化网络拓扑结构,增强对序列数据的建模能力,构建更适合描述运动想象EEG的特征深度学习网络,充分刻画EEG数据包含的丰富信息;同时,结合自适应信道选择方法,构造基于部分信道的EEG特征表示,然后利用概率协作表示方法,提高运动想象EEG特征的可分性,有效提高分类准确率的同时降低算法复杂度,使基于运动想象的BCI系统满足实时通信需求。本项目的开展将为EEG特征提取和分类识别研究提供新思路与新方法,有助于推动深度学习在BCI领域中的应用,具有重要的理论意义和应用前景。
英文摘要
The feature extraction of electroencephalogram (EEG) and its motor imagery classification have become the bottleneck of performance improvement of Brain Computer Interface (BCI) technology. The project will provide direct theoretical and technical support for motor imagery based BCI system by employing deep learning theory combining with probabilistic collaborative representation and channel selection. The features of EEG signals will be described based on advantages of Long Short-Term Memory (LSTM). A deep learning network will be built to fully describe motor imagery EEG by enhancing the modeling ability of the sequential data and optimizing the topological structure of network. Additionally, adaptive channel selection method is proposed to extract EEG features based on partial channel information. A probabilistic collaborative representation based classifier is used to improve the discrimination of motor imagery EEG features, and then improve the classification accuracy and reduce computational complexity. Eventually, the motor imagery based BCI system can satisfy the requirements of real-time communication. This project will provide novel ideas and methods for EEG feature extraction and classification, and promotes the application of deep learning in BCI analysis field. It has an important theory significance and good application prospect.
脑电信号特征提取和分类识别是制约脑机接口(BCI)技术性能提高的瓶颈。针对人工挖掘脑电信号特征的困难,本项目基于深度学习理论,提出基于长短时记忆-全连接-梯度提升的脑电信号特征提取与分类识别算法,有效解决神经网络权值在小样本中无法得到有效训练的问题,将该算法用于BCI国际公开竞赛数据集可以达到分类准确率100%。针对脑卒中患者脑电信号分析提出基于迁移学习的脑卒中患者运动想象任务识别算法,采用EEGNet模型和微调结合,将该算法用于脑卒中患者脑电数据中可以达到分类准确率65.91%。为了解决脑卒中患者脑电数据稀缺的问题,提出基于循环一致对抗网络扩大脑卒中患者脑电数据量的算法。本项目同时探索传统方法的改进,提出基于改进S变换的运动想象分类识别优化算法,结合包裹式信道选择方法可以有效提高算法性能和降低算法复杂度。将该算法用于BCI国际公开竞赛数据集可以达到分类准确率98%和信息传输速率0.8586bit/trial。本项目的研究为脑电信号分析提供新思路与新方法,有助于推进BCI技术性能的提高,具有重要的理论意义及广阔的临床应用前景。
期刊论文列表
专著列表
科研奖励列表
会议论文列表
专利列表
Representation Learning for Motor Imagery Recognition with Deep Neural Network
使用深度神经网络进行运动意象识别的表示学习
DOI:10.3390/electronics10020112
发表时间:2021-01
期刊:electronics
影响因子:2.9
作者:Xu Fangzhou;Rong Fenqi;Miao Yunjing;Sun Yanan;Dong Gege;Li Han;Li Jincheng;Wang Yu;ong;Leng Jiancai
通讯作者:Leng Jiancai
The Automatic Detection of Seizure Based on Tensor Distance And Bayesian Linear Discriminant Analysis
基于张量距离和贝叶斯线性判别分析的癫痫发作自动检测
DOI:10.1142/s0129065721500064
发表时间:2021-05-01
期刊:INTERNATIONAL JOURNAL OF NEURAL SYSTEMS
影响因子:8
作者:Ma, Delu;Yuan, Shasha;Xu, Fangzhou
通讯作者:Xu, Fangzhou
Skeleton Feature Fusion Based on Multi-Stream LSTM for Action Recognition
基于多流LSTM的骨架特征融合用于动作识别
DOI:10.1109/access.2018.2869751
发表时间:2018
期刊:IEEE Access
影响因子:3.9
作者:Wang Lei;Zhao Xu;Liu Yuncai
通讯作者:Liu Yuncai
Epileptic EEG Identification via LBP Operators on Wavelet Coefficients
通过 LBP 算子对小波系数进行癫痫脑电图识别
DOI:10.1142/s0129065718500107
发表时间:2018-08
期刊:International Journal of Neural Systems
影响因子:8
作者:Yuan Qi;Zhou Weidong;Xu Fangzhou;Leng Yan;Wei Dongmei
通讯作者:Wei Dongmei
Channel and Feature Selection for a Motor Imagery-Based BCI System Using Multilevel Particle Swarm Optimization
使用多级粒子群优化的基于运动想象的 BCI 系统的通道和特征选择
DOI:10.1155/2020/8890477
发表时间:2020-08
期刊:Computational Intelligence and Neuroscience
影响因子:--
作者:Yingji Qi;Feng Ding;Fangzhou Xu;Jimin Yang
通讯作者:Jimin Yang
国内基金
海外基金