基于多尺度CNN-LSTM网络的多分类脑电信号识别.pdf

目录

摘要I

AbstractIII

第一章绪论1

1.1课题研究背景和意义1

1.2国内外研究现状2

1.2.1信号采集方法研究现状2

1.2.2信号预处理方法研究现状3

1.2.3特征提取方法研究现状4

1.2.4分类器设计方法研究现状5

1.3研究内容与结构安排6

第二章脑电信号多分类框架理论9

2.1脑电信号特征描述9

2.1.1脑电信号的产生9

2.1.2脑电信号的频率成分10

2.1.3相关同步和去同步10

2.2基于巴特沃斯带通滤波器的频带划分12

2.3公共空间模式（CSP）13

2.4深度学习模型基础理论介绍14

2.4.1损失函数14

2.4.2激活函数15

2.4.3优化器16

2.5本章小结17

第三章脑电运动想象信号实验分析19

3.1实验数据19

3.1.1BCICompetitionIVDatasetIIA数据集19

3.1.2BCICompetitionIVDatasetIIB数据集20

3.2数据的预处理23

3.3信号的分频处理分析25

3.4卷积神经网络27

3.4.1网络结构27

3.4.2卷积神经网络的训练方法29

3.5长短期记忆递归神经网络29

3.6多尺度CNN-LSTM结构30

3.7训练环境设置33

3.8评价标准33

3.9本章小结34

第四章实验结果与分析35

4.1BCICompetitionIVDatasetIIA结果分析35

4.2BCICompetitionIVDatasetIIB结果分析37

4.3自建数据集结果分析38

4.4特征频带选择分析38

4.5消融实验40

4.6模型实时性与可移植性分析41

4.7本章小结42

第五章总结与展望43

5.1总结43

5.2展望43

参考文献45

致谢55

摘要

脑机接口（Brain-ComputerInterface，BCI）是一门涉及神经科学、工程学和计算机科

学的交叉学科，它为活跃的大脑与其他外部设备的交互提供了一种不涉及正常神经或肌肉

的控制和通信手段。BCI技术具有深远的意义和广泛的应用前景，它不仅打破了传统的人

机交互界限，为人类带来了更加便捷、高效和个性化的交互体验。同时，它在医疗、教育、

娱乐和军事等领域的广泛应用以及推动相关学科的发展等方面也取得了显著的成就。在

BCI系统中，运动想象（MotorImagery，MI）被广泛应用于主动式BCI设计中，这种系统

通过特定的信号采集设备实时采集个体进行MI时产生的脑电图（Electroencephalogram,

EEG）。随后，利用BCI技术对采集到的信号进行预处理、特征提取和分类，以识别个体

的运动意图。这些运动意图随后被转化为外部设备可以识别的控制命令，从而实现对外部

设备的控制。BCI技术中主要任务就是将采集到的脑电信号进行一系列的处理转化为外部

设备能够识别的命令，但其在实际应用中仍面临一些挑战，如个体差异较大以及分类正确

率有待提高等，不能满足实际应用的需求。

本文基于现有的BCI技术，对脑电信号的特点进行了