主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第6期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
程时伟,周桃春,唐智川,范菁,孙凌云,朱安杰.卷积神经网络实现的运动想象脑电分类及人-机器人交互应用.软件学报,2019,30(10):0
卷积神经网络实现的运动想象脑电分类及人-机器人交互应用
Motor Imagery EEG Classifcation Based on Convolutional Neural Network and Its Application in Human-Robot Interaction
投稿时间:2018-08-18  修订日期:2018-11-01
DOI:10.13328/j.cnki.jos.005782
中文关键词:  运动想象  脑机接口  人机交互  深度学习  卷积神经网络
英文关键词:motor imagery  brain computer interface  human-computer interaction  deep learning  convolutional neural network
基金项目:国家重点研发计划(2016YFB1001403);国家自然科学基金(61772468,61702454,61672451)
作者单位E-mail
程时伟 浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023  
周桃春 浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023  
唐智川 浙江工业大学 设计艺术学院, 浙江 杭州 310023  
范菁 浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023 fanjing@zjut.edu.cn 
孙凌云 计算机辅助设计与图形学国家重点实验室(浙江大学), 浙江 杭州 310058  
朱安杰 浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023  
摘要点击次数: 279
全文下载次数: 197
中文摘要:
      基于脑电的脑机交互能帮助肢体运动障碍患者进行日常生活和康复训练,但是由于脑电信号存在信噪比较低,个体差异性大等问题,导致脑电特征的提取与分类还需要进一步提高准确性和效率.因此,本文在减少脑电采集通道数目、增加分类数目的前提下,基于卷积神经网络对运动想象中的脑电信号进行分类.首先,基于已有方法进行探索实验,建立由三层卷积层、三层池化层和两层全连接层构成的卷积神经网络;然后针对想象左手、右手、脚的运动和静息态设计与开展了实验,获取了相关脑电数据;接着,利用脑电数据训练出基于卷积神经网络的分类模型,测试结果表明该模型平均分类识别率达到了82.81%,且高于已有的相关分类算法;最后,将已建立的分类模型应用于运动想象信号的在线分类,设计与开发了脑机交互应用原型系统,驱动人-机器人之间的实时交互,帮助用户利用运动想象控制仿人机器人的抬手、前进等运动状态.进一步的测试结果表明,机器人对用户控制命令的平均识别率达到了80.31%,从而验证了本文所提方法可以对运动想象脑电数据进行较精确的实时分类,可以促进脑机接口技术在人-机器人交互中的应用.
英文摘要:
      The electroencephalograph (EEG) driven brain-computer interaction can promote daily life and rehabilitation training for physically disabled people, however, EEG has several problems such as low signal-noise ratio, significant individual difference, and these problems result in the low accuracy and efficiency for EEG feature extraction and classification. In the context of reducing numbers of electrodes and increasing identified classes, this paper proposed a approach to classify motor imagery (MI) EEG signal based on convolutional neural network (CNN). Firstly, based on existed approaches, we conducted experiments and constructed the CNN with three convolution layers, three pooling layers, and two full-connection layers; secondly, MI experiment was conducted with the imagination of left hand movement, right hand movement, foot movement and resting state, and the MI EEG data were collected at the same time; thirdly, the MI EEG data set were used to build the classification model based on CNN, and the experiment results indicated the average accuracy of classification was 82.81%, which was higher than the related classification algorithms; finally, the classification model was applied in the online classification of MI EEG, and a BCI prototype system was designed and implemented to drive the real-time human-robot interaction. The prototype system could help users control motion states of the humanoid robot, such as raising hands, moving forward. Furthermore, the experimental results showed that the average accuracy of robot controlling reached to 80.31%, and it verified the proposed approach not only could classify MI EEG data with high accuracy in real time, but also promote applications of human-robot interaction with BCI.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利