论文部分内容阅读
视觉搜索是在视觉场景中快速识别目标,是一种重要的认知能力。视觉搜索过程中内隐的注意转移产生偏侧性的N2pc事件相关电位,通常在刺激出现后200ms左右的后部电极记录到。根据这种特性,N2pc可以用于确定视觉搜索任务中侧向目标的方向,对需要内隐注意的脑机接口应用具有重大意义。由于脑电采集的无创性、高时间分辨率等特性而广泛应用于脑机接口控制中。本文探索了基于脑电的视觉搜索分类方法,识别视野中的单个目标。主要内容包括以下三个方面:第一,基于N2pc的视觉搜索分类。根据N2pc的偏侧性,可以用来测量双侧视野的注意转移,定位侧向目标的空间位置。发展了多成分相关成分分析(multiple correlated component analysis,MCORCA)方法,在单次试验的情况下识别串行搜索任务中的侧向目标,该方法可以提取最优相关成分的线性组合。在头表和皮层两个水平上的平均分类正确率分别达到了82%和84%。结果表明,基于MCORCA的分类方法可以改善基于N2pc脑机接口的分类性能,N2pc可以用于视觉搜索分类。第二,基于脑网络的视觉搜索分类。采用加权最小模估计对头表脑电进行源定位,重建源时间序列。利用小波相干分析评估视觉搜索过程中脑区之间的功能连接,构建左右视野差异网络,然后基于差异网络小波相干连接值训练支持向量机分类器识别左右视野目标。发现在200-400 ms的theta节律实现了最优的分类性能,在串行搜索任务中达到了平均87%的分类正确率。表明N2pc与theta节律密切相关,基于theta节律的小波相干网络特征可以用于视觉搜索分类。第三,基于深度迁移学习的视觉搜索分类。探索了基于深度卷积神经网络的迁移学习方法进行视觉搜索分类,使用卷积神经网络将实验场景的视觉搜索数据迁移到真实场景视觉搜索任务中。构建了时间和空间分开卷积的时空卷积神经网络,首先在源域训练深度卷积网络模型,然后将源域模型迁移到目标域,采用微调的方法得到目标域分类模型,在真实场景视觉搜索分类中实现了86.1%的平均分类正确率,体现了深度迁移学习方法用于视觉搜索分类的潜力。