当前位置:主页 > 科技论文 > 搜索引擎论文 >

基于脑电的视觉搜索分类方法研究

发布时间:2023-09-17 13:09
  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...

【文章页数】:66 页

【学位级别】:硕士

【文章目录】:
摘要
abstract
注释表
第1章 绪论
    1.1 脑电概述
    1.2 视觉搜索分类
    1.3 脑网络研究
    1.4 深度迁移学习
        1.4.1 卷积神经网络
        1.4.2 深度迁移学习
    1.5 论文研究内容和组织结构
第2章 基于N2pc的视觉搜索分类研究
    2.1 引言
    2.2 数据采集
        2.2.1 被试
        2.2.2 实验设计
        2.2.3 脑电记录和预处理
    2.3 基于头表N2pc的视觉搜索分类
        2.3.1 对侧和同侧波形
        2.3.2 基于差异幅值的特征提取
        2.3.3 递归特征消除支持向量机
        2.3.4 多成分相关成分分析
        2.3.5 性能评估
    2.4 基于皮层N2pc的视觉搜索分类
        2.4.1 最小模估计
        2.4.2 皮层N2pc特征提取及分类
    2.5 结果
        2.5.1 反应时
        2.5.2 N2pc
        2.5.3 基于头表N2pc的左右视野目标识别
        2.5.4 基于皮层N2pc的左右视野目标识别
    2.6 讨论
    2.7 本章小结
第3章 基于脑网络的视觉搜索分类研究
    3.1 引言
    3.2 数据采集及预处理
        3.2.1 被试
        3.2.2 实验设计
        3.2.3 脑电记录和预处理
    3.3 小波相干
    3.4 基于小波相干的视觉搜索网络分析
        3.4.1 小波相干分析
        3.4.2 视觉搜索差异网络构建
        3.4.3 基于差异脑网络分类
    3.5 结果
        3.5.1 差异脑网络
        3.5.2 分类结果
    3.6 讨论
    3.7 本章小结
第4章 基于深度迁移学习的视觉搜索分类
    4.1 引言
    4.2 数据采集及预处理
        4.2.1 被试
        4.2.2 实验设计
        4.2.3 脑电采集
        4.2.4 脑电预处理
    4.3 基于卷积神经网络的迁移学习
        4.3.1 卷积神经网络结构
        4.3.2 卷积神经网络训练
        4.3.3 深度迁移学习
        4.3.4 基于深度迁移的视觉搜索分类
    4.4 结果
        4.4.1 分类结果
        4.4.2 可视化
    4.5 讨论
    4.6 本章小结
第5章 总结与展望
    5.1 本文总结
    5.2 工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号:3847487

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3847487.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户b8814***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com