本文是一篇计算机论文，本文先是利用ICA算法去除掉噪声伪迹以及用FIR带通滤波器进行信号过滤，接着借助小波变换将脑电信号生成为特征时频图。同时为了得到特征表达能力更强的时频图。
第一章 绪论
1.1 研究背景和意义
人类进化出思维能力强大的大脑是人类在其演变过程中一个重要的里程碑，相比于其他地球上有着相似体型的生物，人脑拥有更大的脑容量并由数以万亿的有着不同功能的神经细胞构成。人脑的构造十分复杂，搞清楚人脑中的结构和功能并将其实现应用化是脑科学研究人员一直追求的目标，如今计算机以及信息数字化技术的快速发展同时也带动了其他相关学科和技术的发展，而脑科学的进步也得益计算机技术的发展。目前脑科学研究人员通过脑机接口（Brain Computer Interface，BCI）设备获取来自大脑的信息，比如脑电信号（electroencephalogram，EEG），再利用计算机进行信号的处理和分析。
脑机接口技术是当今热门的一种人机交互方式，其主要作用是作为人脑与外界设备间建立起的连接通路。脑机接口技术相关思想大约出现在20世纪70年代，在1973年，Vidal J J首次提出了脑机接口的概念，脑机接口这个概念正式登上了历史舞台[1]。在1999年的第一届国际BCI会议上，在会学者们对脑机接口做出了明确的定义和阐述，并认为脑机接口技术拥有广阔的发展前景，这次会议使脑科学得到了国际上各个国家的重视，纷纷投入大量资金加入到这场对人脑的研究竞赛中[2]。近些年著名的脑机接口研究计划有美国发起的“创新型神经技术大脑研究计划”和日本发起的“脑智”计划，我国也紧跟国际脑研究热的步伐，提出了“脑科学和类脑研究”专项研究计划，其中脑部的病变和疾病是该项研究计划的重点[3]。进入到21世纪后，在科技和现实需求的推动下，脑机接口技术得到了快速发展。
..........................
1.2 国内外研究现状
21世纪以来，BCI技术越来越受各国研究人员青睐，国内外研究人员纷纷投入到对BCI技术的研究中，相关的研究成果大量产出，在各个国家的共同努力下，使得BCI技术得到了快速发展。
在1874年，英国的Richard Caton教授设计了一个可以记录脑电信号的仪器，他通过这个仪器成功观测到了动物发出的脑电信号，而观测到动物的信号后使得当时的人们对在不远的将来能观测到人脑的信号充满了信心。
在1929年，德国耶拿大学的Hans Berger教授首次观察到了人脑的脑电信号，并通过恒定波动的曲线将其记录了下来，其称之为“脑电图”[5]。同时研究人员在观测脑电图时发现其有一定的规律性，并就此推测脑电图中含有用于与各个部位进行交流的信息。 在1990年，P. Etévenon通过给予被测试者一些视觉刺激来研究脑电信号，通过多次实验和研究分析后发现在受到视觉刺激后，记录下的脑电图显示大脑皮层的α2频段有明显变化，推测α2频段与人脑中处理视觉刺激的部分存在一定关联[6]。
在2010年，Rebsamen实现了在特定环境下通过脑电信号操控轮椅，虽然本次实验中操控的动作延迟较大且运行缓慢，但却以一种较为可靠的方式为行动不便的人员证明了在未来以脑电信号操控轮椅是有可能的[7]。
在2011年，德国的Gonmez-Rodriguez团队提出了一个基于BCI技术的手部运动想象模型，在经过训练后该模型可以根据脑电信号对手部进行伸展或弯曲的二分类，并可通过传输系统操控假肢做出对应动作[8]。同年，柏林工业大学的Haufe S团队在模拟制动实验中实现了通过脑电信号对汽车的紧急制动，并且比踩踏板制动的反应时间快了130毫秒，说明通过脑电信号进行紧急制动具有更快的反应时间和更高的安全。
.......................
第二章 脑电信号相关知识和技术
2.1 脑电信号相关概述
2.1.1 脑电信号生理基础
人脑作为人体各个部位的控制中枢，是人身上最重要的器官，医学上判断一个人死亡的重要标准就是脑死亡，这也可以体现出人脑的重要性。人脑的结构对人类而言显得复杂又充满神秘感，古往今来，人类从未放弃对人脑的探索与研究。现代医学将人脑分为左半脑和右半脑，研究普遍认为两者的功能具有不对称性，左半脑被认为在处理语词活动方面占据一定优势，而右半脑则是在辨认性、触觉、知觉以及听觉上等功能有优势。此外大脑的表层覆盖着一层呈褶皱状灰白色的物质，这就是大脑皮层。由于呈褶皱状，大脑皮层的实际面积远大于人眼能观测到的面积，因此大脑皮层同时也担负着人脑中的许多功能[30]。大脑皮层根据沟裂的深浅度可以将其分为额叶、顶叶、颞叶和枕叶四个部分，并且根据目前的研究表明各部分的功能也不相同，其中额叶区负责人脑中思维和精神功能，顶叶区负责体觉功能，枕叶区负责视觉功能，颞叶区负责听觉功能[31]。当受试者进行运动想象任务时，大脑皮层中负责感觉和运动的区域就会有相应的反应，对应到图 2- 1中的额叶区和顶叶区，运动想象主要和这两个区域有关联。大脑皮层的结构和功能区域如图 2- 1所示。
计算机论文怎么写
.........................
2.2 运动想象相关技术
2.2.1 ERD和ERS原理
脑机接口系统可以将脑电信号转换为外围的控制信号，从而操控设备，目前脑机接口系统已有成功案例应用于患者的复健中。而当受试者开始想象单侧的肢体运动时如手部，人脑不同位置的活动情况也会发生改变，与此同时会引起脑电信号局部能量变化，表现为脑电信号的α和β频段发生能量增强或者衰减，这就是事件相关同步和事件相关去同步（ERD/ERS）。ERD现象具体是指脑电信号α和β频段的振幅出现衰减，这说明受到刺激的对应皮质的脑电信号的振幅开始出现降低，而ERS现象具体是指α和β频段的振幅出现增强，这说明对应的皮质的脑电信号在静息放松状态下出现振幅的加强[53]。
ERD/ERS现象也遵从人体交叉控制原则，即进行手部运动想象任务时，同侧的感觉运动区发生能量的增强现象，而对侧则出现衰减现象，其原理是因为神经元的突触电位互相加强和减弱[54]。由于脑电信号存在ERD/ERS生理现象，才为研究人员利用脑电信号研究运动想象提供了依据。ERD/ERS现象的量化方法可分为两类：一类是基于非线性测量的傅里叶谱熵和柯式复杂性，另一类是基于频段功率熵的方差法和频谱分解法等。
...............................
第三章 基于SVM的特征时频图选择方法 ......................... 18
3.1 数据集介绍 ................................ 18
3.1.1 数据集A ................................ 18
3.1.2 数据集B ..................................... 19
第四章 基于特征时频图的运动想象深度学习分类方法 .................... 34
4.1 卷积神经网络原理 ............................ 34
4.1.1 卷积层 ........................................ 35
4.1.2 池化层 ............................... 35
第五章 总结和展望 .............................. 52
5.1 总结 ............................................ 52
5.2 展望 ................................................... 53
第四章 基于特征时频图的运动想象深度学习分类方法
4.1 卷积神经网络原理
卷积神经网络(CNN)是拥有卷积运算功能的前馈神经网络，在2012年的ImageNet竞赛上AlexNet获得冠军带火了深度学习，而卷积神经网络就是深度学习中的代表[66]。卷积神经网络主要有三个特点：1.局部连接。局部连接不仅能减少网络的参数量，而且可以使网络提取到数据的局部特征；2.权值共享。权值共享大幅减少了网络参数，降低了网络训练难度，一个Filter只去提取一个特征；3.多层次结构和池化操作。两者结合可以实现对数据的降维操作，也就是把低层次的局部特征组合变成高层次特征。CNN目前的应用范围广泛并且性能强大，在计算机视觉领域被用于图像识别、物体识别和神经风格迁移等，在自然语言处理领域被用于语言处理和语言合成等，在大气科学和遥感科学上也有应用。CNN的主要结构有卷积层、池化层和全连接层。
4.1.1 卷积层
卷积层是卷积神经网络中的关键层结构，其功能是输入的数据进行卷积计算以提取特征。卷积层内部有多个卷积核，而卷积核的结构就像一个有着前馈神经网络的神经元，内部各个参数分别对应一项相应的偏差量和权重系数，参数的值由两者计算得出，且参数由反向传播算法实现最优化。卷积层通过卷积计算可以获取到不同特征，层次较浅时只能提取到一些较为低级的特征，比如角和线等，但随着层次的深入就能提取到一些更抽象复杂的特征。
计算机论文参考
........................
第五章 总结和展望
5.1 总结
脑机接口技术作为一种将人脑与计算机直接相连的新技术，目前在大量资金和人员的投入下，相关的理论研究和文献大大增加，但目前仍处于实验阶段，仍有大量的问题需要攻克，其中非技术类的问题不亚于技术难度，如美国的马斯克尝试人体试验申请被拒。虽然脑机接口技术还存在诸多非技术难题，但相信在未来会制定一套合理的标准，因此在此之前做好相关理论和技术的积累和沉淀十分重要。本文在小波变换基础上生成时频图用于运动想象脑电信号研究，之后借助SVM模型挑选特征表达能力更强的时频图，最后使用深度学习技术来构建一个轻量化且性能强大的运动想象脑电信号分类模型。本文的具体工作总结如下：
（1）先是介绍了本文工作的研究背景和意义，然后对脑电信号和脑机接口技术的国内外发展现状进行了说明，并对目前运动想象脑电信号研究存在的一些问题进行了分析。针对这些问题，本文先对脑电信号的采集、特征提取方法和分类方法介绍了它们的优劣势，接着阐述了后续研究中会涉及和使用到的理论和方法，如ERD/ERS原理和小波变换。
（2）接着对本文研究中用到的数据集进行了说明，然后对其进行了预处理，主要用了基于ICA的去除伪迹方法和基于FIR滤波器的过滤方法，之后将脑电信号经由小波变换生成时频图，并选取了六类小波基函数进行对比。接着借助SVM模型挑选更优时频图的实验，并通过实验结果对时频图的三个参数进行了挑选，挑选出了表达特征能力更强的时频图。
（3）为了进一步提高运动想象脑电信号分类准确率，本文把之前经由SVM模型挑选出的时频图借助深度学习进行进一步研究。先是构建了一个简易的CNN模型进行运动想象脑电信号分类，在得到的实验结果确实高于SVM模型后，对原CNN模型进行改进，将模型规模扩大了约一倍，并用深度可分离卷积替换了部分卷积层来减少参数量和提高模型性能，又引入了密集连接模块来提高特征复用率以及扩张卷积来加快模型收敛速度，从而得到了轻量化的高性能的运动想象脑电信号分类模型，在数据集A中的分类准确率达到了93.72%，高于多数的对比方法，并在数据集B中的Kappa系数达到了0.805，高于其他方法，说明本文方法是有效的。
参考文献（略）