阅读笔记8：基于深度学习的脑电及功能磁共振信号的识别研究

论文信息

• 题目：基于深度学习的脑电及功能磁共振信号的识别研究
• 作者：朱旭阳
• 单位：电子科技大学生物医学工程
• 发表时间：2019.05

笔记

只看了其中与深度学习和运动想象有关的部分

1.摘要

实现了一个合适且有效的深度学习框架，以实现基于跨被试迁移学习的MI BCI系统。

考虑到多通道 CSP（Common Spatial Pattern，CSP）时间序列可以表征运动想象任务中不同脑区的活动状态，我们提出一个基于局部通道的卷积神经网络，对不同的通道采取不同的编码方式，以突出不同脑区在 MI 任务中的特异性。随后将编码得到的特征连接起来并送入识别网络以执行最终的 MI 识别任务。

2.绪论

运动想象（Motor Imagery，MI）BCI 在神经康复领域具有广泛的应用。对于由神经系统损伤引起的运动功能障碍者，其大脑运动信号无法通过神经通路传导，不能做出相应反应，从而丧失运动控制能力。MI BCI 系统通过对大脑信号的实时监测，将指令信号通过外部设备传达到肌肉，帮助患者恢复运动功能，提供与外界交互的方式。因此，信号传导的实时性和准确性在 MI BCI 中显得十分重要的。当前 MI BCI 系统在应用中通常需要患者进行长时间的训练以达到理想的控制准确性，这无疑增加了患者的负担和应用的复杂程度，且效率低下。通过实现快速准确且鲁棒性强的 BCI 系统可以弥补这一缺陷。故探索研究具有高准确率、高个体适应性、低训练时间的 MI BCI 系统具有广阔的应用前景，成为了当前亟需解决的热点议题。

3.深度学习概述

3.1 人工神经网络的特性：

• 非线性能力
• 输入输出映射
• 适应性
• 概率性
• 上下文信息
• 容错
• 超大规模集成
• 分析和设计的一致性

3.2深度学习网络的框架

3.2.1深度全连接网络

前馈神经网络是深度学习的基础网络，后续的网络模型都可以看成是前馈神经网络的变体。在前馈神经网络中，全连接网络是最为简单、最易实现的典型例子。全连接网络结构简单，计算过程易于理解，便于进行快速的网络设计。其基础结构叫做神经元。

3.2.2CNN（这个关于CNN的描述是我感觉最通俗易懂的）

• 输入数据维度增加时，