基于CNN-BiLSTM的脑电情绪分类模型及验证

情绪在人们的思考、行为和交流方式中起着重要作用。为提高脑电信号的情绪识别准确率,充分利用脑电信号的频率、空间和时间维度上的信息,提出一种基于CNN-BiLSTM(convolutional neural networks-bidrectional long short term memory)的脑电情绪分类神经网络模型。该模型由卷积神经网络和多层特征融合的双向长短时神经网络构成,卷积神经网络用于学习脑电信号的频率和空间特征,双向长短时神经网络则从卷积神经网络的输出中挖掘脑电切片之间的时序信息。借助离散情绪模型的SEED(sjtu emotion eeg dataset)数据集和连续情绪模型的DEAP(database for emotion analysis using physiological signals)数据集来进行情绪分类实验。实验结果表明,在SEED和DEAP两个数据集上,CNN-BiLSTM模型均取得了目前最好的情绪分类性能。此外,该模型的时序信息挖掘模块性能优于单层长短时神经网络,能够学习更多的时序信息。     

基于混合神经网络的脑电情感识别

为保留脑电(Electroencephalogram,EEG)空间信息的同时充分挖掘EEG时序相关信息,提出了一种三维卷积神经网络(3-Dimensional Convolutional Neural Networks,3D-CNN)结合双向长短期记忆神经网络(Bidirectional Long Short-term Memory Neural Networks,BLSTM)的混合神经网络(3DCNN-BLSTM);为验证该模型的分类性能,在DEAP数据集和SEED数据集上进行情感识别实验. 实验结果表明3DCNN-BLSTM模型能有效学习EEG多通道间的相关性与时间维度信息且提高了情感分类性能:在DEAP数据集的二分类实验中,唤醒度和效价的情感识别平均准确率分别为93.56%和93.21%;在DEAP数据集的四分类实验中,情感识别平均准确率为90.97%;在SEED数据集的三分类实验中,情感识别平均准确率为98.90%.     

基于脑电通道增强的情绪识别方法

随着人工智能与深度学习的发展,基于深度学习的多通道脑电信号的情绪识别研究逐渐受到关注,但多通道脑电情绪识别信号复杂且各通道重要性一致,并不能高效且有针对性地进行脑电情绪识别。为此,该文提出一种基于缩放卷积层和脑电通道增强模块的情绪识别方法,能直接在脑电物理通道上进行增强学习。首先,通过缩放卷积层提取多通道脑电情绪信号的类时频特征;然后,通过脑电通道增强模块对所有脑电物理通道重新赋予不同的重要性;最后,利用卷积神经网络对情绪进行分类。该方法能够融合多通道脑电信号的时间和频率信息,同时,通过输出各脑电通道的重要性,探究不同情绪维度与脑电通道之间的关系。在DEAP数据集上进行了实验验证,不同脑电通道对情绪识别任务的重要性存在差异,其中,额叶区和枕叶区的C4、 P4、 P3、 PO4、 F7 5个脑电通道重要性相对较高,该情绪识别方法在愉悦度、唤醒度和支配度3个情绪维度上的识别准确率也均有提升。     

基于卷积神经网络的脑电信号分类

针对现有卷积神经网络脑电信号(electroencephalogram,EEG)分类模型分类精度低、方法复杂且耗时的问题,对卷积神经网络的卷积层进行了改进,提出了多尺度卷积核卷积神经网络(convolutional neural networks,CNN)脑电分类模型,并在输入数据前加了系数矩阵,该系数矩阵可以随网络的训练逐步更新,代替了手工提特征再送入网络的步骤,有助于提高分类精度。最终本文的脑电分类模型在高原脑电信号的分类实验中,二分类准确率比改进前提高8%,三分类、四分类准确率分别达到92.87%、81.15%,分类准确率较高,对脑电信号的分类具有较高的参考价值。     

基于注意力与多尺度的4类脑电信号解码

为了增加主动式脑-机接口（BCI）指令集的数量,提出了一种基于运动想象和言语想象的时序编码实验范式。通过将1个运动想象和1个言语想象分时序进行,获得了4类想象方式：1）运动想象;2）言语想象;3）先运动想象再言语想象;4）先言语想象再运动想象。针对上述实验范式的脑电信号设计一种基于注意力与多尺度神经网络（AMEEGNet）：首先通过一个空洞卷积和三个不同大小尺度的二维卷积提 取信号的鲁棒性时间表示;然后使用深度卷积和可分离卷积提取空间特征和频域特征;此外,在模型中添加挤压激励模块,以自适应提取具有高分类精度的特征;最后采用一个具有全连接的网络层进行分类。该模型在拥有四类想象的时序编码实验数据集上获得了71.1%的平均准确度,且在同一数据集上EEGNet,MMCNN,Shallow ConvNet,TSGL-EEGNet分别取得57.9%,60.5%,68.3%,68.4%的精度,可见所提模型识别准确率最高。     

基于CNN的脑电信号情绪识别模型研究

针对现有深度学习模型在情绪识别方面种类少且准确率低的问题,采集并建立了脑电波信号数据集,提出了一种基于CNN的脑电波的智能多情绪识别模型,利用多层卷积神经网络提取脑电信号情感特征,在批归一化层和激活函数中引入非线性特性,构建了两层全连接神经网络,实现了情绪特征中积极、中性和悲伤的分类。实验结果表明,提出的模型复杂度低且分类准确率达到了81.43%,明显高于SVM、LSTM、VGGNet模型,证明了该模型的简洁性和高效性。     

基于集成卷积神经网络的脑电情感识别

采用脑电情感数据集SEED进行情感识别研究,旨在利用深度学习中的卷积神经网络(CNN)自动提取脑电样本的抽象特征,省去人工选择特征与降维的过程。首先,采用小波包变换(WPT)对脑电信号进行6级分解并构成二维结构样本;然后,通过改变网络深度设计了6个深度不同的CNN模型;最后,通过投票法与加权平均法建立集成模型,提高了识别精度。实验结果表明,本文方法对3种情感类别的平均分类精度达到了93.12%,能够满足情感识别的研究需求。     

基于3D卷积神经网络的IR-BCI脑电视频解码研究

采用3D卷积神经网络模型,对脑电信号进行解码研究,旨在挖掘其深层的特征表达,以提高脑-机接口系统的性能.实验在获取"模拟阅读"脑-机接口系统的多维脑电信号后,将原始的通道特征构建成"脑电视频"的格式.其构造方法为:将通道按实际空间排布为二维矩阵,这样某时刻的多通道采样点在空间上形成一个"视频帧",这些空间信息在连续时间帧上的堆叠,形成"脑电视频".这种自然表达信息的方法,不仅包含大脑的空间分布信息,还反映了时间信息的关联,丰富了数据所包含的事件相关信息.借鉴图像领域特征学习的"局部感受野"和"权值共享"思想,搭建了自主学习脑电信号特征的3D卷积神经网络模型,将已打标签的脑电视频数据对模型进行训练,之后对测试集进行测试.与经典的卷积神经网络和传统的最佳单通道算法相比,分类正确率有了进一步的提高.实验表明,基于脑电视频的3D卷积神经网络能够更有效地学习脑电特征,改善了模拟阅读脑-机接口系统的性能.     

基于脑电功能连接微状态序列递归分析的情绪解码模型

脑电微状态代表准稳定的全局神经元活动，被认为是大脑动力学的构建模块，而基于微状态概率统计的特征不能很好表征脑电的动态变化特性。针对该问题提出了基于脑电微状态序列递归分析的情绪解码模型。该模型通过聚类从脑电功能连接模式中提取出具有代表性的微状态典型模式，将原始脑电信号映射为微状态时间序列，构建递归图表征脑电动力学特性，并利用卷积神经网络对递归图实现情绪解码。在公开的脑电情绪数据集(DEAP)上的实验结果表明该模型实现了比传统微状态方法更好的情绪解码效果。     

基于原型网络的小样本脑电伪迹检测方法

正常脑电信号由于容易受到多种脑电伪迹的干扰而导致信噪比低，为了提高脑电信号的信噪比，使用一种基于度量的小样本学习模型来检测脑电信号中的伪迹，提出了一种基于原型网络的脑电伪迹识别模型(EEG Artifact Prototype Network，EAPNet)。该模型能够学习一个从EEG特征到目标空间的非线性映射，然后计算每个类原型表示的距离，并按此距离进行分类; 仅需较少数量的数据样本进行训练，就能实现对伪迹的准确识别。最后，在公开的脑电伪迹数据集TUAR(TUH EEG Artifact Corpus)中进行了伪迹识别实验，并将EAPNet模型与2个深度学习模型(EEGNet、全连接神经网络(FNN))及7个机器学习模型(高斯贝叶斯模型(Gaussian NB)、随机森林模型(RF)、逻辑回归模型(LR)、套索回归模型(Lasso)、支持向量机模型(SVM)、岭回归模型(Ridge)和最近邻算法(KNN))进行了对比实验。实验结果显示:(1)EAPNet模型是一种高效的伪迹检测方法:在2-way 1-shot、2-way 5-shot、2-way 10-shot任务中，模型的检测准确率分别为69.44%、77.21%、80.01%。(2)在所有对比模型中，EAPNet模型的识别准确率最高。     

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务，提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量，再提取脑电独立分量的4个不同频段的能量特征，并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验，得到平均分类准确率分别为60.52%，86.14%，后者比前者提高了42.33%.     

基于卷积和Transformer融合的服装分类算法

针对传统基于卷积神经网络的服装分类算法无法满足海量多样服装分类需求的问题,提出一种卷积注意力融合的服装分类网络.该网络采用并行结构,包含一个ResNet分支和一个Transformer分支,充分利用卷积运算提取的局部特征和自注意力机制提取的全局特征,以增强网络的表征学习能力,从而提高服装分类算法的性能和泛化能力.为验证该方法的有效性,在数据集Fashion-MNIST和DeepFashion上进行了对比实验.结果表明：在数据集Fashion-MNIST上,该方法取得了93.58%的准确率;在数据集DeepFashion上,该方法取得了71.1%的准确率;该方法优于其他对比方法的实验结果.     

基于卷积神经网络的P300电位检测及在脑机接口系统中的应用

为提取更深层、更原始的脑电信号特征,提高基于P300电位的脑机接口系统的性能,提出将卷积神经网络(CNN)应用到脑机接口系统的P300电位检测.首先,根据脑电信号的时间和空间特征,构建CNN的网络结构.然后,对脑电信号进行预处理,采用卷积层和下采样层进行特征提取.最后,通过全连接层实现P300电位的检测.结果显示,卷积神经网络对P300电位具有很好的特征学习能力,取得了较好的分类结果,为进一步提高脑机接口系统的性能提供了有效手段.     

基于GAF和卷积神经网络的轴承故障诊断研究

针对深度学习在轴承故障诊断中出现的多分类时测试准确率低、数据集不足的情况,提出基于格拉姆角场(GAF)法和卷积神经网络(CNN)的轴承故障诊断模型以及采用重叠采样20%的方法扩充数据集。通过对轴承振动信号采用格拉姆角场法变换构建数据集,导入到搭建的六层卷积神经网络中实现故障分类。在搭建的CNN中测试了不同的轴承数据集以及不同数据长度下的测试准确率和抗噪性能。结果表明,在不同数据集的测试中,所搭建的模型最高测试准确率可达100%,搭建的CNN有着良好的性能,在多分类问题上具有较高的精度;扩充数据集的方法具有一定的可行性,可以有效提升模型的测试性能。     

基于时空特征学习Transformer的运动想象脑电解码方法

脑电图（Electroencephalography,EEG）可记录来自大脑皮层的电信息，反映了脑活动中神经细胞放电产生的电场变化情况. EEG的空间信息和时间信息对于运动想象脑电（Motor Imagery Electroencephalogram,MI-EEG）解码分类模型学习判别特征至关重要，但过度依赖预处理和手工特征提取，导致对EEG数据进行信号分类较为困难.尽管深度学习已经在很多领域实现了自动特征提取，但脑电图的深度学习尚未完成.提出基于FBCSP (Filter Bank Common Spatial Patterns)和Transformer模型的时空特征学习的运动想象脑电解码方法 .针对FBCSP滤波的脑电信号，依次通过空间维度和时间维度上的注意力转换来获取空间和时间特征，然后通过Softmax函数对不同类别的EEG数据进行分类.实验结果表明，在BCI竞赛数据集IV-2a上，该方法的分类准确率可达84.16%，为MI脑电信号分类提供了新思路.     

一种改进的深度神经网络的花卉图像分类

花卉图像类内差异性大和类间相似性高使得花卉图像分类较难.传统花卉分类方法和普通卷积神经网络很难完整地表达花卉图像的特征,故而分类效果不理想.为提高花卉分类准确率,提出改进的InceptionV3网络用于花卉图片的分类.采用迁移学习的方法,将在大规模数据集上训练的InceptionV3网络用于花卉图像数据集的分类,对其中的激活函数进行改进.在通用Oxford flower-102数据集上的实验表明:该模型在花类图像分类任务中比传统方法和普通卷积神经网络分类准确率高,且比未改进的卷积神经网络准确率高,迁移过程准确率达到81.32%,微调过程准确率达到92.85%.     

基于多导联脑电时空信息的情感分类研究

为探究脑电空间关联信息与不同情感状态之间对应关系，基于SEED(SJTU Emotion EEG Dataset)情感脑电数据集，计算实验采集的不同导联脑电的皮尔逊相关系数，通过小波变换获取脑电导联之间的小波相干系数，利用Hilbert变换提取各个导联脑电的瞬时相位，计算脑电相位同步指数。然后分别将皮尔逊相关系数、小波相干系数、相位同步指数作为特征，采用支持向量机分类器实现正性、负性、中性三种情感状态的有效分类。仿真结果表明，脑电的空间关联特征用于情感识别是有效的，可以达到91.5%的情感识别精度；利用脑电微分熵的皮尔逊相关系数获得了93.7%的平均分类准确率；并且脑电γ节律相比α、β节律更有利于情感识别。该研究可以应用于情感脑机接口系统。     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

用于卷积神经网络图像预处理的目标中心化算法

为解决工业生产中对不同零件进行自动分类的问题,提出一种基于卷积神经网络的模式识别算法,对29种不同尺寸的螺丝、螺母和垫片进行分类。首先采集待分类零件的图像数据,通过数据增强得到数据集,然后设计一种简化的卷积神经网络。提出一种对图像中的目标位置进行中心化的图像预处理算法,它能够提取图像中目标所在的区域并将其移动到图像中心位置。研究结果表明,与不采用目标中心化算法的传统方法相比,总体准确率从97.59%提升至99.96%,具有最低准确率的零件的准确率从85.83%提升至99.67%。使用卷积神经网络对背景纯净且目标明显的图像进行分类时,使用本文提出的目标中心化算法进行图像预处理能够显著提高网络的识别准确率。     

基于深度学习的癫痫脑电通道选择与发作检测

传统癫痫发作通道选择方法需要提取特征,然后人工进行特征选择,最后基于所选特征训练分类器实现发作检测.为优化特征提取与选择过程,提出一种具有自学习特性,基于深度学习的癫痫脑电通道选择与发作自动检测组合模型.该方法利用卷积自编码器对癫痫脑电数据进行自适应特征提取,获得代表不同通道的特征子集;依据费舍尔准则筛选出特征子集与脑电通道;通过基于参数迁移的一维卷积神经网络实现癫痫发作脑电信号的检测.使用PhysioNet网站中的CHB-MIT数据库中8例有效数据量较为充足的病患脑电数据对组合模型进行有效性评价.对比该方法与基于方差、方差差异性和随机筛选方法得到的结果,在测试集上对癫痫发作检测的准确率、真阳性率、假阳性率的平均值分别达到了92.79%、93.07%、5.16%,均优于其他方法,且模型收敛速度所需的迭代次数平均仅为其他方法的10%.该方法在癫痫脑电发作检测效果和模型训练成本方面都有一定优势,且在进行脑电通道筛选时不需要手动提取特征,同时也可用于阿尔兹海默症等其他脑部疾病辅助诊断个性化检测模型的建立.