《腦電時空特徵的深度學習方法研究》是依託華南理工大學，由吳畏擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：腦電時空特徵的深度學習方法研究
- 項目類別：青年科學基金項目
- 項目負責人：吳畏
- 依託單位：華南理工大學
項目摘要,結題摘要,
項目摘要
腦電信號處理在基於腦電的腦科學、臨床和腦機接口研究中具有廣泛套用。本項目旨在已有研究工作基礎上，系統深入地研究單被試和多被試腦電時空特徵的深度學習方法。本項目針對腦電信號的時空相關性、非平穩性、高維度等特點，設計深度神經網路和學習算法對其進行非線性時空處理，提取有效特徵。具體展開以下研究：（1）構建時空受限玻爾茲曼機(ST-RBM)作為深度置信網路(DBN)的結構單元；（2）基於逐層初始化思想開發學習算法對DBN參數進行估計；（3）使用正則化和非參數貝葉斯推斷確定深度網路規模；（4）構建時空深度玻爾茲曼機(ST-DBM)網路融合多被試的腦電信號；（5）基於變分貝葉斯和馬爾科夫鏈-蒙特卡洛方法開發學習算法對ST-DBM參數進行估計。本項目的研究將豐富腦電信號分析和解碼的理論，為相關套用提供算法支持。
結題摘要
腦電信號處理在基於腦電的腦科學、臨床和腦機接口研究中具有廣泛套用。本項目在已有研究工作基礎上，系統深入地研究了腦電時空特徵的深度學習方法。在國家自然科學基金的支持下，本項目進展順利，已完成主要研究內容。本項目針對腦電信號的時空相關性、非平穩性、高維度等特點，設計了深度神經網路和學習算法對其進行非線性時空處理，提取有效特徵。具體展開了以下研究：（1）提出了改進的卷積神經網路用於P300信號檢測。通過在輸入層和卷積層使用批量歸一化克服了過擬合，同時在卷積層引入線性整流函式加快了訓練。（2）提出了基於去噪自編碼器的深度神經網路用於腦電信號分類。在自編碼器模組中對時域濾波器進行最佳化，並與已有空域濾波器最佳化算法進行結合，實現了時空濾波器的同時最佳化。（3）開發了腦電時空濾波快速最佳化算法。該算法基於特徵值分解疊代最佳化時域與空域濾波器，並在凸最佳化的框架下將特徵提取與分類相結合，實現了時空濾波器的快速最佳化。（4）開發了新的腦電源定位方法。該方法使用馬爾可夫隨機場和時域基函式對腦電的時空信息進行建模，並開發了變分貝葉斯算法用於有效估計模型參數，實現了對腦電源活動範圍的準確估計。的本項目的研究豐富了腦電信號分析和解碼的理論，為相關套用提供算法支持。本項目的研究成果發表在包括IEEE Signal Processing Magazine, NeuroImage, Human Brain Mapping, IEEE Transactions on Neural Networks and Learning Machines, International Journal of Neural Systems等本領域權威國際期刊上，並有多項專利受理。
