论文部分内容阅读
脑电信号(Electroencephalogram,EEG)是由大脑细胞群进行生命活动所产生的一种自发性的电活动,其中隐藏了许多的与人类意识活动相关的信息,人类对于脑电信号的研究一直处于一个增长的态势,伴随着机器学习技术的发展以及人类对于医疗健康的需求,越来越多的国家开始重视并大力发展以大脑为研究对象的脑计划项目,通过分析脑电信号,来解密脑电信号中所隐藏的潜在信息。脑电信号分析的一个重要的方面就是通过提取有用的信息来理解脑电信号。利用这些提取的特征,可以判断他们所反映的模式或者异常,进而对脑电信号进行分类或者回归。因此,如何更加有效的提取特征并转化为有用的信息成为当前国内外研究的热点。目前,对于脑电信号的特征提取主要利用机器学习的方法,该方法无需进行过多的人为参与,仅仅通过训练即可获得有效的特征,本文以机器学习的方法为基础,针对脑电信号当中的P300信号,先是提出了一种半监督判别分析(Semi-supervised Discriminant Analysis,SDA)的特征提取方法,然后在此基础上又提出了 一种收缩半监督判别分析(Semi-supervised Regularized Discriminant Analysis,SRDA)的特征提取方法,不断提高了在小样本情况下的识别准确率。对于麻醉手术中的脑电信号,设计了一种基于长短期记忆网络(Long Short-Term Memory,LSTM)的脑电信号特征提取与麻醉深度监测模型,借助于该模型对于时序信号的优势,对脑电信号进行特征提取,进而监测麻醉深度。本文的主要创新和贡献主要在以下三个方面:(1)提出了基于半监督判别分析的特征提取方法。该算法在原始的线性判别分析(Linear Discriminant Analysis,LDA)的基础上,对目标函数进行了改进。首先通过一个关系矩阵将有标签数据与无标签数据进行连接,然后将该矩阵作为惩罚项对目标函数进行优化,从而得到新的目标函数。该算法在BCI竞赛III数据集上进行了测试,取得了优于传统方法的识别准确度。(2)提出了基于收缩半监督判别分析的特征提取方法。该方法在半监督判别分析的基础上进行了改进,对数据的总体散度进行收缩,进而优化目标函数,从而提高小样本下的识别准确率。(3)设计了一种基于长短期记忆网络(Long-Short Term Memory,LSTM)的脑电信号麻醉深度特征提取模型,该算法首先对脑电信号进行预处理,然后提取脑电信号的熵特征,频谱特征作为输入放到LSTM网络中进行训练,将多个特征融合为一个特征,最终将特征进行回归处理,得到麻醉深度指数。实验结果表明,该方法具有更高的预测准确率。为麻醉深度监测的进一步发展找到了方向。