论文部分内容阅读
脑电信号分类是脑机接口系统中的关键部分,其准确率直接决定着脑机接口的性能。由于脑电信号很容易受到其他信号的干扰,脑电信号的分类性能很难提高,而且泛化能力差。因此研究如何对脑电信号进行预处理、如何学习有效的、鲁棒的特征是一个挑战。近年来,随着深度学习在计算机视觉、语音识别和自然语言处理等领域的成功应用,将深度学习应用到脑电信号分类中,成为脑电信号分类研究中的热点。本文研究了传统分类模型与卷积神经网络在脑电信号分类中的应用,重点研究了将卷积神经网络、反馈卷积神经网络和最大输出反馈卷积神经网络与大间隔Softmax损失函数相结合应用于脑电信号分类中,并设计了基于大间隔Softmax损失函数的一维和二维卷积神经网络、反馈卷积神经网络和最大输出反馈卷积神经网络。本文首先采用快速傅里叶变换提取了脑电信号的功率谱特征,然后再将功率谱特征转换成二维图像。提取脑电功率谱特征向量和特征矩阵分别用来训练一维和二维的深度网络,本文所设计的六种算法的识别率分别为93.57%、91.97%、93.92%、91.97%、94.06%和92.97%。本文经过大量的实验发现,所设计的六种算法不仅比传统的支持向量机、Logistics Regression分类算法的分类精度高,而且比基于图像特征的深度学习算法分类精度高并且高效。此外,本文所采用的3×1大小卷积核具有分类精度高、参数少、训练速度快的优点;反馈卷积神经网络的分类精度要比无反馈卷积神经网络的分类精度要高,而且随着时间步长的增加,反馈网络的分类性能也会提高;一维卷积神经网络的分类性能比二维网络好,但是二维卷积神经网络训练速度快更适合大样本脑电信号分类;大间隔Softmax损失函数也适用于脑电信号分类,不仅能提高分类精度,而且能防止过拟合;具有稀疏性的最大输出反馈卷积神经网络的分类性能最好。