基于多特征对抗学习的跨被试增强脑-机接口
脑-机接口是一种近些年新兴的技术，这种方式提供了良好的可能来建立大脑和计算机之间的通路，用户可以直接用意念控制外部设备来执行一些复杂任务。然而，现有的脑电解码方法通常需要大量目标用户数据进行校准才能克服噪声带来的干扰，且较长的采集过程严重影响了脑-机接口系统的实用性。受制于脑电信号较大的个体差异，其他用户的数据也无法直接应用于目标用户的校准。 针对以上问题，本文首先提出了一种多特征感知框架，利用卷积和注意力计算在端到端的过程中融合脑电信号的局部时间特征、空间特征、全局时域依赖三个要素得到高质量的深度表征。在这一框架的基础上，提出了一种基于深度生成对抗网络的独立被试数据增强方法，在对抗学习的约束下将输入的高斯噪声转化为与目标用户数据分布近似的增强数据，进而提升解码模型在小样本训练集情况下的表现。为了引入更符合脑电特征的增强数据，进一步提出了一种基于变分自编码器的跨被试适应性数据增强方法，在对抗学习的约束下将其他被试的数据分布调整至接近目标用户数据分布，进而将调整后的数据用于增强解码模型。 实验部分通过详细对比确认了多特征融合感知对于脑电特征学习的意义，并在公开数据集上取得了领先的脑电解码效果。通过多角度的可视化分析和数据增强解码实验验证了独立被试数据增强方法和跨被试适应性数据增强方法的有效性，确认方法得到的增强数据可以显著提升解码模型的性能，且优于常用的数据增强方法。此外，还提出了更符合复杂场景需求的单侧上肢运动想象范式用于与数据增强方法印证。并设计了三种结合脑-机接口、机器人、计算机视觉技术的控制系统，可用于医疗健康、居家辅助等多种实际场景。 综上所述，本文针对脑电数据量匮乏的问题提出了切实可行的解决方案，有效缓解了信噪比低和个体差异大两个脑电信号处理中的重要难题，具备良好的潜力提升脑-机接口的实用性。
脑-机接口;脑电信号;多特征感知;对抗学习;数据增强;变分自编码器
华南理工大学
硕士
控制科学与工程
谢龙汉
2022
中文
TN911.7
2022-12-23（万方平台首次上网日期，不代表论文的发表时间）