基于卷积神经网络的运动想象脑电信号分类研究开题报告

1. 研究目的与意义（文献综述）

1.1 研究目的及意义

2. 研究的基本内容与方案

本此设计基于卷积神经网络对bci 2008 data sets 2a数据集中实现有效分类，下载相关数据集、利用anaconda实现python以及tensorflow、mne等模块的下载及安装并实现bci 2008 data sets 2a或其中部分含标签数据有效分类的仿真。bci 2008数据集包含来自9个受试者的eeg数据，包括四个不同的运动想象任务，即左手(1类)，右手(2类)，双脚(3类) 和舌头(4类)。

首先要对信号进行预处理，信号采集过程中不可避免受到某些因素影响，导致信号夹杂着噪声和伪迹，如设备的电磁干扰、肌电以及心电等，会严重影响后续对信号的识别过程。由下载的数据可知，信号中存储前进行了1~50hz的滤波，由于eeg与伪迹间存在频率混叠，单一的带通滤波器的无法滤波。独立分量分析（independent component analysis, ica）是eeg的预处理过程常用方法，原理是通过线性映射将原始的混合信号分离成统计意义上的相互独立的子信号，可以将与脑电信号来源不同的信号从eeg中分离，但无法分离高频噪声。所以要结合使用小波变换（wavelet transform, wpt）的多分辨率特性滤除高频噪声。

最后是卷积神经网络cnn的设计，与其他常规机器学习算法相比，cnn采用多层结构来提高泛化和抽象性能，cnn的主要特点是能够自动学习复杂的模型，利用一系列卷积滤波、局部归一化、非线性函数、局部降采样等操作从信号中提取特征，并基于反向传播的训练过程以及梯度下降等优化算法。网络的第一层通常表示低级的特征，最终层能够组合低级特征，以识别复杂的目标概念。设计的cnn 结构主要分为 5 层，第一层为输入层，其中输入样本数据大小为1×n，其中，n为运动想象eeg经csp算法处理之后得到的特征个数，n =4×m；第二层(c2)与第三层(c3)都为卷积层，用以对输入样本数据进行特征提取，其中第二层(c2) 有i2个卷积核，卷积核的大小为1×n2，第三层(c3) 有 i3 个卷积核，大小为1×n3。由于输入样本数据长度较小，所以cnn 省去降采样层；第四层 ( f4) 通过全连接的方式与第五层( o5) 一起构成单层感知机，将第三层( c3) 输出结果处理之后输出分类结果，卷积网络如下式所示：

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，学习毕业设计研究内容所需理论的基础。确定毕业设计方案，完成开题报告。

第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。

第6－9周：搭建代码运行环境，利用anaconda实现python以及tensorflow的下载及安装，下载相关数据集。

4. 参考文献（12篇以上）

[1] 曾庆山，范明莉，宋庆祥. 基于csp与卷积神经网络算法的多类运动想象脑电信号分类[j]. 科学技术与工程, 2017(27):149-154.

[2] 胡章芳, 张力, 黄丽嘉, 罗元. 基于时频域的卷积神经网络运动想象脑电信号识别方法[j]. 计算机应用, 2019,39(08):2480-2483.

[3]王卫星, 孙守迁, 李超, et al. 基于卷积神经网络的脑电信号上肢运动意图识别[j]. 浙江大学学报（工学版）, 2017(7).