赵瑞娟
- 作品数：5 被引量：11H指数：3
- 供职机构：中南民族大学生物医学工程学院更多>>
- 发文基金：国家自然科学基金中央高校基本科研业务费专项资金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于深度学习的IR-BCI信号的解码研究
- 赵瑞娟
- 稀疏降噪自编码器在IR-BCI的应用研究被引量：4
- 2017年
- 针对脑-机接口的特征提取问题,提出了一种基于非监督学习的稀疏降噪自编码器,对刺激诱发的脑电信号进行自主学习,构建原始数据的深层特征表达。该编码器引用稀疏自编码神经网络,通过加入噪声,增强其学习的泛化能力,增加了神经网络的鲁棒性。首先对多导联信号进行重新拼接,输入稀疏降噪自编码器,得到原始数据的稀疏特征表达;然后,采用支持向量机将学习到的特征进行分类;最后,同直接使用最优单通道相对比。实验结果为:稀疏降噪自编码器的分类准确率要优于单通道,表明该方法能够更好地学习到特征,并提高了"模拟阅读"脑-机接口的识别正确率,为脑-机接口系统的特征提取和分类提供了新思路。
- 赵瑞娟官金安谢国栋
- 关键词：脑-机接口非监督学习
- 基于3D卷积神经网络的IR-BCI脑电视频解码研究被引量：4
- 2019年
- 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.
- 官金安汪鹭汐赵瑞娟李东阁吴欢
- 关键词：脑-机接口
- “模拟阅读”脑-机接口N2P3成分的自动提取被引量：1
- 2017年
- 提出了一种基于ICA和局部能量最大的单次自动提取脑电信号中N2和P3成分的方法。实验采集了七名健康受试者在观察"模拟阅读"刺激界面状态下的32导的脑电信号,利用Fast ICA算法对单试次脑电信号进行盲源分离,将得到的32个分量用样本方差最大方法,在固定时间段自动提取脑电信号中N2和P3成分。把N2、P3分量直接作为单次提取的特征,利用支持向量机进行分类,同时和最优单通道时域特征的分类进行对比。结果表明:基于ICA方法可以有效地自动提取单次脑电信号中N2和P3成分,且分类效果比最优单通道有显著提高。
- 金震官金安赵瑞娟谢国栋
- 关键词：ICASVM
- 基于ICA和极限学习机的模拟阅读脑电特征分类被引量：3
- 2018年
- 为了有效地提取N2-P3成分,利用ICA对脑电数据进行盲源分离,自动提取N2-P3成分;同时为了克服传统方法如支持向量机、神经网络训练时间长、个别识别准确率不够高的缺点,选择极限学习机作为分类器.在模拟阅读实验范式下,记录了7名受试者的脑电数据,利用ICA分别对每名受试者的高维脑电数据进行盲源分离,提取出N2-P3成分,以此作为靶特征,并与非靶特征一起放入极限学习机分类器进行分类.训练得到7名受试者的训练时间和分类准确率,并与支持向量机进行了比较.结果表明:经过ICA特征提取后,使用极限学习机进行分类,该分类器学习速度快,泛化能力强,训练时间大大减少.在分类准确率上,ICA+ELM的分类准确率较传统的最佳单通道+SVM有较大幅度的提升,从后者平均的82.4%提升到了97.7%.
- 官金安杨建华赵瑞娟
- 关键词：极限学习机
