91精品国产自产在线观看永久_香蕉久久一区二区不卡无毒影院_91视频国产精品_日韩成人高清在线_久久久久久久久久久久久女国产乱 _亚洲欧美日韩国产一区二区三区_99久久精品免费看_亚洲影视九九影院在线观看_久久精品国产亚洲_成人a级免费视频

首頁(yè) > 綜合 > 正文

CNN+LSTM--一種運(yùn)動(dòng)想象分類新模型

2023-02-20 17:06:02來(lái)源：騰訊云  

說(shuō)到運(yùn)動(dòng)想象（motor imagenation, MI), 我們都很熟悉，它是指?jìng)€(gè)體在心理上模擬給定動(dòng)作時(shí)的動(dòng)態(tài)狀態(tài)。如何通過(guò)運(yùn)動(dòng)想象的腦電信號(hào)來(lái)分類個(gè)體的心理意圖，一直是研究人員關(guān)注的重點(diǎn)，MI信號(hào)可以用于控制外部設(shè)備，如大腦控制的機(jī)器人、大腦控制的外骨骼、自動(dòng)駕駛汽車等， 因此提高M(jìn)I信號(hào)的分類準(zhǔn)確性是極其有意義的。

腦電圖（EEG）的信噪比較低，因此如何從腦電圖信號(hào)中提取特征并正確分類是BCI技術(shù)最重要的部分。傳統(tǒng)上，通用空間模式（CSP）和支持向量機(jī)（SVM）用于對(duì)腦電圖信號(hào)進(jìn)行分類，并實(shí)現(xiàn)良好的分類結(jié)果。隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）備受關(guān)注。到目前為止，已經(jīng)為BCI 范式提出了各種具有不同架構(gòu)的神經(jīng)網(wǎng)絡(luò)。


【資料圖】

本文通過(guò)將CNN和LSTM組合在一起，提出了一個(gè)新的功能融合深度學(xué)習(xí)框架。其次，該算法同時(shí)提取腦電圖信號(hào)的時(shí)間和空間特征，提高了精度， 第三，該網(wǎng)絡(luò)提取了中間層特征，以防止特征丟失。

數(shù)據(jù)集

本文的數(shù)據(jù)來(lái)自BCI Competition IV，“BCI 競(jìng)賽IV”的目標(biāo)是驗(yàn)證腦機(jī)接口 (BCI) 的信號(hào)處理和分類方法。與過(guò)去的 BCI 競(jìng)賽相比，解決了與實(shí)際 BCI 系統(tǒng)高度相關(guān)的新的挑戰(zhàn)性問(wèn)題，例如（數(shù)據(jù)集鏈接已附上）：

?無(wú)試驗(yàn)結(jié)構(gòu)的連續(xù)腦電圖分類（數(shù)據(jù)集 1）。

?受眼球運(yùn)動(dòng)偽影影響的 EEG 信號(hào)分類（數(shù)據(jù)?集 2）。

?MEG 手腕運(yùn)動(dòng)方向的分類（數(shù)據(jù)集 3）。

?ECoG 中需要細(xì)粒度空間分辨率的歧視（數(shù)據(jù)集 4）。

簡(jiǎn)要介紹一下這四個(gè)數(shù)據(jù)集：

數(shù)據(jù)集 1： ?motor imagery, uncued classifier application?

由 柏林 BCI 組提供：Technische Universit?t Berlin（機(jī)器學(xué)習(xí)實(shí)驗(yàn)室）和 Fraunhofer FIRST（智能數(shù)據(jù)分析組）（ Klaus-Robert Müller、 Benjamin Blankertz、Carmen Vidaurre , Guido Nolte ), and Campus Benjamin Franklin of the Charité - University Medicine Berlin, Department of the Charité, University Medicine Berlin, Department of the Neurology, Neurophysics Group (Gabriel Curio)EEG, motor imagery (2 classes of left hand, right hand, foot);評(píng)估數(shù)據(jù)是連續(xù)的腦電圖，其中還包含空閑狀態(tài)的時(shí)間段[64個(gè)EEG通道（0.05-200Hz），1000Hz采樣率，2個(gè)類別（+空閑狀態(tài)），7個(gè)科目]

數(shù)據(jù)集 2a： ?4 級(jí)運(yùn)動(dòng)圖像? 由 格拉茨科技大學(xué)知識(shí)發(fā)現(xiàn)研究所 （腦機(jī)接口實(shí)驗(yàn)室 ，（Clemens Brunner、Robert Leeb、Gernot Müller-Putz、 Alois Schl?gl、 Gert Pfurtscheller ) 腦電圖，提示運(yùn)動(dòng)意象（左手、右手、腳、舌頭） [22 個(gè)腦電圖通道（0.5-100Hz；陷波濾波器），3 個(gè)EOG 通道，250Hz 采樣率，4 個(gè)類別，9 個(gè)科目]

數(shù)據(jù)集 2b: ?motor imagery?由 格拉茨科技大學(xué)知識(shí)發(fā)現(xiàn)研究所 （腦機(jī)接口實(shí)驗(yàn)室 ，（Robert Leeb、Clemens Brunner、Gernot -Müller-Putz、 Alois Schl?gl、 Gert Pfurtscheller ) 腦電圖，提示運(yùn)動(dòng)意象（左手，右手） [3 個(gè)雙極腦電圖通道（0.5-100Hz；陷波濾波），3 個(gè)EOG 通道，250Hz 采樣率，2 類，9 名受試者]

數(shù)據(jù)集 3： 由 弗萊堡阿爾伯特路德維希大學(xué) 腦機(jī)接口計(jì)劃、弗萊堡伯恩斯坦計(jì)算神經(jīng)科學(xué)中心 和 圖賓根大學(xué)醫(yī)學(xué)心理學(xué)和行為神經(jīng)生物學(xué)研究所提供（ Stephan Waldert , Carsten Mehring , HubertPreissl , Christoph Braun )該數(shù)據(jù)集包含定向調(diào)制的低頻 MEG 活動(dòng)，這些活動(dòng)是在受試者在四個(gè)不同方向上進(jìn)行手腕運(yùn)動(dòng)時(shí)記錄的。[10個(gè)MEG通道（過(guò)濾到0.5-100Hz），400Hz采樣率，4個(gè)班級(jí)，2個(gè)科目]

數(shù)據(jù)集 4： 《ECoG 中的手指運(yùn)動(dòng)》由 西雅圖華盛頓大學(xué)物理和醫(yī)學(xué)系( Kai J. Miller ) 和 紐約州衛(wèi)生部沃茲沃斯中心 ( Gerwin Schalk ) 提供 個(gè)人屈曲期間的 ECoG 數(shù)據(jù)五個(gè)手指；使用數(shù)據(jù)手套獲取的運(yùn)動(dòng)。 [48 - 64 ECoG 通道（0.15-200Hz），1000Hz 采樣率，5 個(gè)類別，3 個(gè)科目]

融合模型

卷積神經(jīng)網(wǎng)絡(luò)CNN已成為最受歡迎的基于深度學(xué)習(xí)的網(wǎng)絡(luò)作品，用于在幾個(gè)不同任務(wù)中學(xué)習(xí)功能。與傳統(tǒng)的機(jī)器學(xué)習(xí)算法不同，CNN不需要手動(dòng)設(shè)計(jì)功能，它從原始數(shù)據(jù)中自動(dòng)學(xué)習(xí)抽象特征進(jìn)行分類，從而避免丟失有用信息。與通常有兩個(gè)獨(dú)立步驟（包括特征學(xué)習(xí)和分類）的經(jīng)典框架相比，CNN可以學(xué)習(xí)特征，并同時(shí)由多層神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。

LSTM通常用于處理時(shí)間序列的非線性特征。LSTM的主要特點(diǎn)是存在三個(gè)門(mén)：忘記門(mén)、存儲(chǔ)單元和輸出門(mén)，這極大地提高了LSTM處理時(shí)間信息的能力。

（ps: Conv1D 不代表卷積核只有一維,也不代表被卷積的特征只有一維，而是指卷積的方向是一維的；flatten可以理解為把數(shù)據(jù)扯成一條）

由上述的描述我們可知，CNN網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)可以分別提取空間和時(shí)間特征。因此，本文提出了一種同時(shí)提取時(shí)空特征的特征融合網(wǎng)絡(luò)方法。有兩種網(wǎng)絡(luò)結(jié)構(gòu)：并行結(jié)構(gòu)和串行結(jié)構(gòu)。與串行結(jié)構(gòu)相比，并行結(jié)構(gòu)同時(shí)處理原始數(shù)據(jù)，這可以有效地從原始數(shù)據(jù)中提取更多的形成，并提高M(jìn)I腦電圖信號(hào)的分類精度。本文采取了并行結(jié)構(gòu)，基于腦電圖的時(shí)空特征，構(gòu)建了一個(gè)CNN-LSTM并行結(jié)構(gòu)模型，如上圖所示， CNN由一個(gè)輸入層、一個(gè)一維卷積層、一個(gè)可分離的卷積層和2個(gè)扁平層組成。LSTM由輸入層、LSTM層和扁平層組成。最后，這兩個(gè)部分被歸類為完全連接的層。除此之外，這個(gè)混合模型使用直系線性單元（ReLU）激活和批量歸一化（BN）來(lái)規(guī)范CNN中的激活函數(shù)。激活函數(shù)tanh用于LSTM。為了幫助規(guī)范模型，我們?cè)诿繉又惺褂胐rop out（隨機(jī)丟掉一些神經(jīng)元），并將drop out設(shè)置為0.5，以幫助防止在小樣本量訓(xùn)練時(shí)過(guò)度擬合。

將實(shí)驗(yàn)結(jié)果與其他論文進(jìn)行比較，包括EEGNet算法[1]、Schirrmeister等人提出的ConvNet算法[2]、濾波器庫(kù)時(shí)空卷積網(wǎng)絡(luò)（FBSF-TSCNN）[3]、SRLDA算法[4]、CSP-LCD算法[5]、FBCSP-CNN-LSTM算法[6]，獲得如上結(jié)果?？梢钥闯?，本文的算法取得了最佳效果。此外，F(xiàn)FCL在所有九個(gè)受試者中的準(zhǔn)確性一直優(yōu)于EEGNet。

結(jié)論

本文提出了一種基于CNN和LSTM網(wǎng)絡(luò)融合多級(jí)空間-時(shí)間特征的腦電圖分類算法。提取和融合了空間特征、時(shí)間特征和中間層特征。它克服了傳統(tǒng)機(jī)器學(xué)習(xí)算法的缺點(diǎn)，即無(wú)法人工調(diào)參。結(jié)果表明，與單個(gè)特征相比，融合特征具有更強(qiáng)的分離性和更高的分類精度。此外，即使在嘈雜的數(shù)據(jù)集上，融合特征的準(zhǔn)確性也高于其他算法，這表明使用融合特征的算法可以提取更多信息進(jìn)行分類，并且對(duì)不同主體具有很強(qiáng)的適應(yīng)性。總之，本研究中提出的算法可以從腦電圖信號(hào)中提取具有更強(qiáng)分離性的時(shí)空信息，并通過(guò)集成中層特征來(lái)提高M(jìn)I腦電圖信號(hào)的交流，這為腦電圖信號(hào)分類研究提供了新的想法。

參考文獻(xiàn)

[1] V.J. Lawhern, A.J. Solon, N.R. Waytowich, et al., EEGNet: A Compact Convolutional Network for EEG-based Brain-Computer Interfaces, J. Neural Eng. 15 (5) (2016), 056013.1-056013.17.

[2] R.T. Schirrmeister, L. Gemein, K. Eggensperger, et al., Deep learning with convolutional neural networks for decoding and visualization of EEG pathology, Hum. Brain Mapp. 38 (11) (2017) 5391–5420. [3] Chen J, Yu Z L, Gu Z, et al. Deep Temporal-Spatial Feature Learning for Motor Imagery-Based Brain–Computer Interfaces. in: IEEE transactions on neural systems and rehabilitation engineering: a publication of the IEEE Engineering in Medicine and Biology Society, 2020, PP(11). [4] Luis F. Nicolas-Alonso, Rebeca Corralejo, Javier Gomez-Pilar, Daniel Alvarez, Roberto Hornero, Adaptive stacked generalization for multiclass motor imagery- based brain computer interfaces, IEEE Trans. Neural Syst. Rehab. Eng. A Publication IEEE Eng. Med. Biol. Society 23 (4) (2015) 702–712. [5] Qingsong Ai, Anqi Chen, Kun Chen, Quan Liu, Tichao Zhou, Sijin Xin, Ze Ji, Feature extraction of four-class motor imagery EEG signals based on functional brain network, J. Neural Eng. 16 (2) (2019), 026032.1-026032.14. [6] Ruilong Zhang, Qun Zong, Liqian Dou, Xinyi Zhao, A novel hybrid deep learning scheme for four-class motor imagery classification, J. Neural Eng. 16 (6) (2019), 066004.1-066004.11.

僅用于學(xué)術(shù)分享，若侵權(quán)請(qǐng)留言，即時(shí)刪侵！

標(biāo)簽： 編程算法 機(jī)器學(xué)習(xí) 深度學(xué)習(xí) 人工智能

相關(guān)閱讀

精彩推薦

相關(guān)詞

推薦閱讀

91精品国产自产在线观看永久_香蕉久久一区二区不卡无毒影院_91视频国产精品_日韩成人高清在线_久久久久久久久久久久久女国产乱 _亚洲欧美日韩国产一区二区三区_99久久精品免费看_亚洲影视九九影院在线观看_久久精品国产亚洲_成人a级免费视频
一区二区三区在线免费播放| 在线观看欧美黄色| 久久99九九99精品| 欧美一区二区三区视频在线| 狠狠色狠狠色综合系列| 日韩区在线观看| 亚洲国产欧美另类丝袜| 欧美三日本三级三级在线播放| 亚洲柠檬福利资源导航| 91黄色免费看| 成人午夜免费av| 亚洲人成影院在线观看| 欧美精品丝袜中出| 国产精品每日更新| 欧美一区二区视频免费观看| 91香蕉视频黄| 国产成a人无v码亚洲福利| 亚洲人成小说网站色在线| 国产肉丝袜一区二区| 在线这里只有精品| 成人亚洲一区二区一| 精品在线观看视频| 精品一区精品二区高清| 天天免费综合色| 偷拍与自拍一区| 亚洲一区二区av在线| 亚洲男帅同性gay1069| 中文字幕在线免费不卡| 国产精品丝袜一区| 国产精品伦一区| 亚洲精品一二三| 亚洲国产一区二区在线播放| 免费在线成人网| 欧美激情一区二区三区蜜桃视频| 日韩制服丝袜av| 毛片一区二区三区| 韩国三级中文字幕hd久久精品| 亚洲伊人伊色伊影伊综合网| 亚洲一区二区三区国产| 婷婷成人综合网| 日韩专区中文字幕一区二区| 国产剧情一区二区三区| 91理论电影在线观看| 成人美女在线视频| 欧美日韩亚洲不卡| 日韩精品在线网站| 亚洲人妖av一区二区| 久久精品国产精品亚洲精品| 国内久久婷婷综合| 欧美日韩日日骚| 亚洲丝袜另类动漫二区| 国产毛片精品视频| 精品美女在线播放| 午夜伊人狠狠久久| 不卡免费追剧大全电视剧网站| 日韩欧美一级二级三级久久久| 亚洲精品五月天| 日本高清不卡视频| 亚洲国产精品久久人人爱| 91天堂素人约啪| 综合激情成人伊人| 91影院在线观看| 亚洲精选视频在线| 欧美日韩一区中文字幕| 午夜伊人狠狠久久| 欧美日本在线观看| 奇米精品一区二区三区四区| 制服丝袜国产精品| 国产91丝袜在线18| 亚洲一区在线免费观看| 精品少妇一区二区三区在线播放| 国产一区亚洲一区| 天使萌一区二区三区免费观看| 日韩欧美成人一区| 97久久精品人人爽人人爽蜜臀| 亚洲国产你懂的| 国产精品麻豆视频| 精品国产三级电影在线观看| 91丨porny丨户外露出| 麻豆freexxxx性91精品| 亚洲一区二区精品视频| 国产精品久久久久三级| 91精品一区二区三区久久久久久 | 日韩国产欧美在线观看| 18成人在线视频| 国产精品女主播av| 国产精品毛片大码女人 | 精品理论电影在线观看| 日韩一区二区三区免费看| 欧美日本一区二区| 欧美日韩免费在线视频| 欧美精品丝袜久久久中文字幕| 欧美视频日韩视频在线观看| 3d成人h动漫网站入口| 精品国产一区二区三区久久久蜜月| 欧美裸体bbwbbwbbw| 日韩三级电影网址| 久久综合久久综合九色| 亚洲欧洲另类国产综合| 亚洲成a人在线观看| 国产精品羞羞答答xxdd| 欧美综合在线视频| 欧美成人精品高清在线播放| 久久先锋影音av| 亚洲综合久久久久| 国产一区在线不卡| 91日韩一区二区三区| 欧美白人最猛性xxxxx69交| 国产精品久久夜| 天使萌一区二区三区免费观看| 成熟亚洲日本毛茸茸凸凹| 欧美日韩国产综合一区二区三区| 日韩综合小视频| 精品国精品国产| 蜜臀av性久久久久蜜臀aⅴ| av在线不卡免费看| 国产精品丝袜一区| a美女胸又www黄视频久久| 26uuu另类欧美亚洲曰本| 毛片av一区二区| 精品1区2区在线观看| 日日摸夜夜添夜夜添亚洲女人| 91官网在线免费观看| 亚洲一区二区三区视频在线播放 | 日韩西西人体444www| 日韩成人一级大片| 3d成人h动漫网站入口| 国内一区二区视频| 一区免费观看视频| 在线电影院国产精品| 成人中文字幕在线| 天堂va蜜桃一区二区三区| 国产精品久久久久久久久免费桃花 | 国产成+人+日韩+欧美+亚洲| 亚洲精品国产无天堂网2021| 欧美日韩久久久一区| thepron国产精品| 亚洲成人综合视频| 欧美va在线播放| 7777精品伊人久久久大香线蕉的| 韩国av一区二区三区| 精品一区二区免费| 日韩欧美国产麻豆| 免费成人在线播放| 日韩**一区毛片| 亚洲高清免费在线| 99久久婷婷国产综合精品| 精品国精品国产尤物美女| 国产激情视频一区二区三区欧美| 无吗不卡中文字幕| 亚洲免费观看高清完整版在线观看 | 国产精品久久综合| 国产精品久久夜| 亚洲一区二区三区四区中文字幕| 亚洲一二三区不卡| 久久99精品久久久久久| 国产不卡视频一区二区三区| 99视频一区二区| 欧美一区二区三区免费观看视频 | 7777精品伊人久久久大香线蕉| 欧美一区二区精品久久911| 欧美一区二区三区系列电影| 久久久久免费观看| 亚洲高清免费观看 | 欧美成人一区二区三区| 久久五月婷婷丁香社区| 亚洲欧洲另类国产综合| 蜜臀av性久久久久蜜臀aⅴ| 91色乱码一区二区三区| 久久久99精品久久| 蜜桃久久久久久| 欧美色综合影院| 一区二区三区不卡视频| 成人福利在线看| 欧美不卡一区二区| 五月综合激情日本mⅴ| 91免费观看在线| 日本一区二区三区在线不卡| 亚洲人吸女人奶水| 91麻豆精品91久久久久同性| 亚洲欧美另类久久久精品2019| 亚洲综合久久久久| 免费人成网站在线观看欧美高清| 色婷婷久久99综合精品jk白丝| 亚洲精品福利视频网站| 欧美调教femdomvk| 日韩av中文字幕一区二区| 337p日本欧洲亚洲大胆精品 | 亚洲亚洲人成综合网络| 欧美一区二区在线观看| 日韩av在线发布| 国产欧美日韩中文久久| 97se亚洲国产综合自在线| 日韩福利电影在线| 精品免费国产一区二区三区四区| 国产一区二区三区在线观看免费 | 国产精品亲子伦对白| 日韩欧美综合一区| 欧美午夜精品一区| 欧美中文字幕一区二区三区|