摘要
近年来，脑机接口技术已经成为国内外的热门研究方向。在多种脑机接口的实现方式中，运动想象脑机接口由于无需外界刺激成为研究热点之一。但是，目前运动想象脑机接口系统存在分类准确率低和稳定性差等问题，因此提出“多脑脑机接口”的概念。在本文中，通过同步采集设备得到多脑运动想象脑电数据，针对脑电数据的多维特性，提出基于张量分解的多脑脑电信号分类方法；为了解决神经网络参数数量大，训练时间长等问题，提出基于张量网络的多脑运动想象脑电信号分类方法；另外为了探索社会互动中大脑之间的交互性，提取多脑脑网络特征用来对多脑运动想象脑电数据进行分类。本文主要研究工作包括： （1）针对多脑脑电数据的多维特性和复杂性，本文提出基于张量分解的多脑脑电信号分类方法。该方法旨在保留多脑脑电数据之间的高维结构信息，从而提高分类准确率。首先将多脑脑电数据通过预处理得到时间、空间、频率等特征分量，然后把数据转化成高维的张量形式，通过张量分解方法分解该张量数据，得到的特征通过SVM分类器进行分类决策。实验结果表明，张量分解方法在提取高维数据特征具有一定效果，在提高分类准确率的同时降低了时间复杂度。 （2）针对多脑脑电数据的时序依赖性，可以使用GRU网络进行特征提取。为了解决GRU网络参数数量大，训练时间长等问题，本文提出基于张量网络多脑运动想象脑电信号分类方法，旨在提高多脑脑电数据的分类准确率，并且同时减少网络中的参数数量。该方法通过把权重矩阵转换成高维张量形式，通过张量分解方法分解GRU网络的权重张量，从而可以削减网络中的参数数量。分析比较了3种张量网络模型在处理多脑脑电数据的分类准确率以及参数压缩效果。结果表明基于张量网络的多脑运动想象脑电数据平均准确率提高了3.2%，同时压缩大量参数数量。 （3）为了探索在同一社会环境中参与者共同完成一项任务时，他们大脑之间的交互性。本文提出基于张量的多脑脑网络特征的运动想象脑电信号分类方法，旨在探索人与人在社会互动中大脑之间的交互性。通过锁相值衡量了多脑之间的相位同步信息，构建基于张量的多脑脑网络，然后提取多脑脑网络的特征用于线性判别器分类。实验结果表明，多脑数据的准确率普遍比单个被试的准确率高。另外，与其他频段相比，alpha频段获得了最好的分类结果。 结果表明，多脑运动想象脑电信号的分类准确率普遍高于单个被试的分类准确率，同时张量分解方法可以减少网络的参数数量，降低时间复杂度。通过在多脑脑电数据集上验证，初步证明基于张量学习的多脑运动想象脑电数据分类方法的有效性，为多脑运动想象脑电数据分类方法研究提供新思路。
NETL