基于脑电信号的汉字输入方法研究

来源 :东南大学 | 被引量 : 0次 | 上传用户:hammil
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
脑机接口(Brain-Computer Interface,BCI)是一种可以依靠大脑活动操作外部设备,不依赖于大脑的正常输出即外周神经和肌肉组织,从而实现与外界交流的技术。结合当前热门的人工智能技术,脑机接口正逐渐成为脑科学方面研究的重点,越来越多的课题小组参与到脑机接口的研究与设计工作中。目前,脑机接口的主要应用场景在运动辅助/替代、沟通互动、神经功能治疗/调节等等,但是受限于采集设备和脑电分类精度的影响,大多数脑机接口设备还停留在实验室中,没有大规模投入到实际中使用。本文在查阅大量文献资料的基础上,介绍了脑机接口的基本定义,脑机接口常用脑电模式,总结了脑机接口的研究现状、应用前景以及当前面临的主要挑战。随后介绍了常见几类脑电模式的产生机理,详细讲述了对于脑电处理分析的流程,通过分析对比几种脑电模式的优缺点,结合自己的脑机接口设计需要,提出采用稳态视觉刺激信号作为脑机接口设计的脑电模式。基于前面的理论研究基础以及参考其他脑机接口研究设计资料自主设计了一款基于稳态视觉刺激的便携式字符输入系统,主要包括脑电采集模块、刺激呈现界面以及实验范式方法设计。详细介绍采集系统电路的设计原理与规范,并使用设计的设备进行测试实验,记录数据,并对数据进行离线处理分析,验证采集系统的合理性和可行性。基于此系统进行在线实验,尝试对比不同的电极组合,在字符拼写正确率上的变化,旨在使用最少的电极个数达到较高的分类正确率。在上文的研究基础上,本文完成了这个字符输入系统,实现了简单字符的输入,单次脑电信号的识别率上达到80%以上,单次脑电信号识别时间在3.5秒左右时间,取得较好的字符输入效果。
其他文献
计算机算法的性能提升可以为日常生活中的各种应用带来颠覆性的改变,本文面向视频流的人脸超分辨处理算法,旨在将原始低分辨视频中人脸部分进行真实还原处理,在提升目标人脸图像分辨率和清晰度的同时有效提高人脸识别的准确性,为人脸识别技术的运用提供更好的应用场景,为公共安全领域提供良好的技术支撑。本文结合视频超分辨算法和人脸超分辨算法两项关键技术,并在此基础上实现算法在边缘计算平台FPGA上的部署。本文从基于
学位
在MEMS制造领域,光刻工艺是其中举足轻重的一环。在器件尺寸逐渐减小的当下,光刻工艺的复杂性大大增加,在实验室或者生产线上进行各种实验无疑是需要大量时间和费用的,这使得光刻工艺仿真成为一种越来越有用的方法。利用光刻仿真不仅能够准确地预测在不同参数下得到的工艺结果,也可以帮助科学家以及工程师更加深入了解光刻的内在原理从而发现新的技术。在具体的工艺中,曝光可以分为接触式、接近式和投影式三种方式。本课题
随着物联网(Internet of Things,IoT)和人工智能(Artificial Intelligence,AI)的发展,两者的融合(AIoT)正描绘出万物智联的宏伟蓝图。基于对数据私密性和低时延的需求,本地化AI芯片备受青睐。然而,物联网节点一般采用微型电池或能量收集技术进行供电,这对AI芯片提出了严苛的低功耗和高能效要求。在此背景下,本文对AI常用技术—卷积神经网络(Convolut
当前,集成电路正朝着超大规模的方向快速发展,但其功耗也随之急剧增长,这对可靠性和散热成本等造成较大影响。因此,人们对芯片的低功耗设计提出了更高的要求。受到工艺、电压、温度、老化偏差的影响,传统设计方法通常会预留足够的电压余量,以保证芯片在最坏情况下仍然满足时序要求,然而这会造成很大的功耗浪费。自适应电压调节(Adaptive Voltage Scaling,AVS)技术可以根据每颗芯片的实际情况灵
混凝土收缩引起的结构变形与开裂问题一直是工程研究的关键问题之一,随着大量矿物掺合料及外加剂的应用,以及高强混凝土及超高强混凝土的广泛应用,在研究减小混凝土收缩方法的同时,准确地对混凝土宏观表象上的收缩变形进行预测,以及通过有限元分析方法对混凝土结构内部不均匀的收缩变形进行模拟,对混凝土结构工程的耐久性设计具有重要意义。本文针对盾构隧道管片混凝土收缩引起的尺寸变形和开裂问题,以减小盾构隧道管片混凝土
学位
随着城镇化的高速发展,我国建筑面积存量仍将进一步增长,建筑用能占全社会用能的比例也将进一步提升,建筑领域的节能减排面临严峻的挑战。随着相关技术的引入和应用,建筑行业开始采取更加科学和系统的方法管理建筑,控制建筑性能,越来越重视绿色节能、低碳环保等可持续发展策略。目前对建筑的性能控制缺少实际项目中系统的应用实践,建筑师对于性能控制领域的知识缺乏,无法有效与其它各方展开合作,建筑设计和运行性能控制仍然
基于卷积神经网络的心律识别算法能在终端中承担实时监测与预警功能,但网络规模制约了其在资源有限设备中的部署。参数量化作为常用的神经网络轻量化方法,以牺牲部分算法性能为代价压缩网络。本课题结合心律识别算法和参数量化方法,设计了一种面向心律识别的轻量化卷积神经网络,在保证心律识别算法一定精度的同时显著降低网络权重规模,为心律识别算法在资源受限设备上的实现提供了可能性。本文的研究工作主要有以下三点:1.本
学位