基于脑电信号的疲劳研究毕业论文

随着人们对客观事物认识的不断加深，已经不再满足于停留在易解问题的领地，这其中在生命科学领域的复杂性研究又受到了许多跨学科学者的关注。笔者综述了复杂性的概念、生命科学中的复杂性极其复杂性研究。 关键词 生命科学；复杂性科学；生物复杂性 复杂性科学的概念诞生至今已经20多年，这期间有大批学者从不同的领域入手展开了卓有成效的探索。人们希望更全面深入地从客观世界事物的整体与部分以及层次关联在时空演化的全程描述角度来研究支配客观事物运行的基本规律，建立起新世纪科学技术发展的理论基础，以指导新的发展实践。 这其中在生命科学领域的复杂性研究又受到了许多跨学科学者的关注，也有人将其称之为生物复杂性（biocomplexicity）研究，生物复杂性科学主要探索在一些传统学科间交叉的问题。准确地说，是寻求以定量和整合的途径来深入了解各种生命系统之间复杂的相互作用，其中既包括生物的、行为的、化学的和物理的相互作用，也包括生态的、环境的和社会的综合作用等［1］。 1 复杂性科学研究的概念和范畴 复杂性的定义是相对于简单性而言的，简单性一向是现代自然科学、特别是物理学的一条指导原则。许多科学家相信自然界的基本规律是简单的。还原论的基本思想也就是找出复杂现象或事物背后的简单机制。事实上一些复杂的事物或现象，其背后确实存在简单的规律或过程。 关于复杂性的概念并没有一个统一的说法，而是根据研究的对象有不同提法，比如，从熵的角度：复杂性等于热力学测定的一个系熵和无序；信息的角度：复杂性等于一个系统使一个观测者“惊奇的能力”；分形尺寸：一个系统的“模糊状况”，即在越来越小的尺寸上显示的详细程度；有效的复杂性：一个系统显示“规律性”而不是随机性的程度；体系复杂性：由一个体系结构系统的不同层次所显示的多样性；语法的复杂性：描述一个系统所需要的语言的普遍性程度；热力学深度：将一个系统从头组织在一起所要的热力学资源的数量；时间计算上的复杂性：一部计算机描述一个系统或解决一个问题所需要的时间；空间计算上的复杂性：一部计算机描述一个系统或解决一个问题所需要的存储量［2］；等等。 从20世纪30年代系统科学开始兴起，人们逐渐认识到系统大于其组成部分之和，系统具有层次结构和功能结构，系统处于不断地发展变化之中，系统经常与其环境（外界）有物质、能量和信息的交换，系统在远离平衡的状态下也可以稳定（自组织），确定性的系统有其内在的随机性（混沌），而随机性的系统却又有其内在的确定性（突现）。 复杂性科学往往研究的是复杂性系统，复杂系统主要有以下表现：（1）系统各单元之间的联系广泛而紧密，构成一个网络。因此每一单元的变化都会受到其他单元变化的影响，并会引起其他单元的变化。（2）系统具有多层次、多功能的结构，每一层次均成为构筑其上一层次的单元，同时也有助于系统的某一功能的实现。（3）系统在发展过程中能够不断地学习并对其层次结构与功能结构进行重组及完善。（4）系统是开放的，它与环境有密切的联系，能与环境相互作用，并能不断向更好地适应环境的方向发展变化。（5）系统是动态的，它不断处于发展变化之中，而且系统本多对未来的发展变化有一定的预测能力。 一般来说，复杂性研究的基本方法是：（1）定性判断与定量计算相结合。（2）微观分析与宏观综合相结合。（3）还原论与整体论相结合。（4）科学推理与哲学思辨相结合。 复杂科学研究中所用的理论工具：（1）非线性科学——非线性动力系统理论（稳定性和分叉理论、混沌、孤子）和统计力学（分形、标度），及非平衡系统中的复杂和随机现象的研究；（2）计算机模拟——它是十分重要的手段，目前已广泛用于复杂科学的研究中；（3）计算智能；（4）数理逻辑；（5）在不确定条件下的决策技术；（6）综合集成技术；（7）整体优化技术等。 2 生命科学与复杂性研究 生命科学的研究对象都是复杂系统，（具有关联性、多样性、自学习、自组织、开放、动态的特点），生命科学研究的系统正因为其复杂性，对其构成的原因和演化的历程，此前均缺乏了解，也因此吸引了复杂性科学研究者的高度重视。近几十年来，对生物系统所具有的整体性、关联性、网络层次性、统计涨落性、内在和外在的随机性、模糊性、开放性和历史性等这一类复杂系统的典型特征进行了探讨。生物体本身的特点以及生物的进化使得人们的思维方式从单纯的物理学简单系统的研究转变为对生物学的复杂系统的研究［3］。 基因是生命遗传的基本密码，生物体的复杂结构和功能不仅仅是由基因决定的，也是由基因组中大量的非编码信息和非编码基因决定的。因此生物体的复杂结构和功能不仅仅是由基因决定的，也不仅仅是由基因组中大量的非编码信息决定的，而是由这些元素在生物体各个层次上复杂、动态的相互作用决定的。 作为生命系统的指挥和协调中心—神经系统，其中枢功能结构为大脑，近十年来脑功能的科学研究是复杂科学领域中的一个热点。大脑有复杂的结构，它的组织层次按空间尺度有：分子、膜、突触、神经元、核团、回路、网络、层、投射、系统。大脑表现出的某些高级功能是不能在较低的层次上观察到的，其中有些是由各个单元之间的相互作用而涌现出的集体行为。人们的思维规律是不断变化的，但是最低层次的规律是不变的。脑功能的复杂性首先体现在各神经子系统自身的高度非线性、不稳定性和适应性；其次体现在它们之间相互连接的非均匀性及大规模并行等特点。不仅如此，即使在非常简单的神经系统中也存在着令人惊异的复杂性，这反映在它们的功能、演化历史、结构和编码方式。比如，单个神经元放电的时间序列包含复杂多样的时间模式，反映了神经细胞内的复杂的动力学过程［4］。脑电信号是中枢神经系统自发产生的生物电活动，它包含了丰富的神经系统状态和变化的信息，因而在临床和神经电生理研究中得到了广泛的应用。现在人们对EEG建立动力学模型，并研究其中的混沌现象，显示动力学模型方法对于研究大脑正常生理和病理状态具有的意义［5］。 近年来控制领域实现和发展了脑控系统，即基于脑电信号的人机融合控制系统，直接以脑电信号为基础，通过脑机接口来实现控制。“脑控”研究涉及神经科学、计算机科学、控制科学和心理学等多学科交叉。相关研究已经开发出了利用大脑的思维、通过电子接口来控制各种设施的运动状态，并取得预期效果的“脑控技术”，这项技术在医疗等多个方面具有重要的应用价值。 人工生命（Artificial Life）是近10年发展起来的一个新方向，是以进化为主要特征的复杂性研究。人工生命致力于研究生命形式（并不局限于某种特定的载体）的普遍特征。地球上的生命被看成是一种具有特定载体—蛋白质—的特定生命形式，地球上的生命进化也仅仅代表一种特定的进化途径，因此可以用别的物质来构造另类载体的生命形式，赋予它们生命的特征，使其具有进化、遗传、变异等等生命现象，得到生命的普遍行为［2］。 其他如心血管系统中的心率变异性和管腔应变问题；动态病（以异常时间组织结构为特征的疾病，如周期性发热、周期性关节肿胀等）的预防、治疗和数学建模问题；生态系统的种群繁殖问题；流行病中的疾病传染规律；生化反应的动力学过程；免疫系统中信号产生、传递和转导的动力学过程等都体现了生物系统的复杂性，属于复杂性科学研究的范畴。 因为生命体的多样性和复杂性决定了临床医学本身的复杂性；疾病是复杂的，不仅生命体本身病理过程复杂，而且心理、社会、环境等因素都会影响病理过程；许多复杂性疾病，如心血管疾病、癌症、艾滋病等皆是生命体多层次、多层面因素作用的结果。现代医学是在还原论指导下对生命和疾病局部的、分离的认识，仍停留在分析和描述的水平上；所以需要借助复杂性研究方法。在研究方法和观念上有所突破。 祖国传统中医学独特的思维方法和对复杂系统整体状态的把握与复杂性研究有类似的思路。中医学对人体内部的相互作用以及人体与环境的相互作用提出了众多的命题，为现代医学研究准备了丰富的素材，对中医的理论体系的认识还必须运用物理学、生物学、数学、控制论、系统论等学科的最新知识。 复杂性科学对我们来说是一个充满未知的领域，研究方法上既有还原论，也有综合论和系统论，这两种思想正在经历碰撞并开始出现融合的趋势。但是在研究对象上，它研究的问题并不是刚刚出现，而是因为人们认识的深度和它本身的难度，使这一类问题被搁置了起来。目前，对复杂性的研究已经分别在一些学科取得了初步的进展，随着科技的进步、人类对自然和自身认识的深化，生命科学中的复杂性问题必然会被逐步地认识和解决。

领域自适应： 多用于文本分类，属于直推式迁移学习，直推式迁移学习定义：给定一个源域和相应的学习任务，一个目标域和相应的学习任务，直推式学习旨在利用源域和目标域中相同的知识来提高目标域中的目标预测函数。 《基于深度学习的体态与手势感知计算关键技术研究》 基于深度学习的肌电手势识别： 并不需要任何附加信息或手工设计的特征提取器，基于高密度肌电信号（HD-sEMG），使用二维阵列电极采集的肌电信号，使得肌肉活动产生的电势场在时间和空间上的变化可被多个紧密分布在皮肤表面的电极同时记录下来。HD-sEMG中的肌电信号描绘了位于电极覆盖区域内的肌肉活动的时空分布，同时HD-sEMG的瞬时值呈现了在特定时间点肌肉活动所涉及的生理过程的相对全局的测量。瞬时HD-sEMG内部可区分出不同手势模式，可以将采集到的HD-Semg描绘出电势在空间的分布，其对应的热度图即为肌电图像，肌电图像中的像素数（分辨率）由其采集设备中的电极阵列决定，即电极的数量及其电极间距离（例如，具有16行8列的电极网格可W采集8*16像素的肌电图像）。主要是将原始肌电信号值从（-1，1）映射到（0，255），即，其中x是原始肌电信号，I是肌电图像。构建一个8层CNN结构，网络的前两个卷积层用于提取公共的底层图片特征，作者发现瞬时肌电图像在不同的空间位置上表现出不同的视觉特征。在不同手势中，肌电图像在中部偏下以及顶部的条状区域上亮度较强，提出在3，4层加入局部连接结构（受人脸识别前沿工作的启发），因为局部连接层在不同空间位置上的卷积模板的权重不共享，可以更好的提取图片上不同位置的特征。并依据单个窗口内每帧识别出的手势标签中所占比例最高的标签，因为上述实验仅适用于肌电幅值较大的数据进行训练和测试可以获得较高的手势识别准确率，因此需要对肌电信号采用全波整流和低通滤波（全波整流和低通滤波是被广泛采用的肌电信号幅值估计方法），以获取更好的肌电信号。基于深度领域自适应的肌电手势识别： 当训练集和测试集的肌电信号来自不同的采集会话的情况。因为电极位移，肌肉疲劳，电极和皮肤之间的阻抗变化等因素的干扰，肌电信号与采集会话高度相关，已经训练好的手势分类器直接被应用在新的会话时通常准确率较低。因为肌电信号的分布在不同的会话之间变化很大，所以来自不同会话的基于瞬时肌电信号的手势识别可以相应地表示为多源领域自适应问题。 当标定数据未标记时，该论文采用自适应批量归一化（AdaBN, Adaptive Batch Normalization）对手势分类器进行适配。假设用于区分不同手势的知识存储在每个层的权重中，AdaBN不需要适配数据的手势标签，而是随着无标签的适配数据的增加，逐步更新少量的网络参数。给定输入U，BN将其转换为V，其中第i个输入特征的转换公式为： l在训练阶段，每个BN层对于每个源域的均值统计量和方差统计量是独立计算的。因为训练阶段的BN对每个数据批次独立计算统计量，所以只需要确保每个数据批次中的样本来自同一个会话。 l识别阶段，对于给定的未标记数据A，AdaBN执行正向传播算法，更新参数。 该方法准确率：单幅30.5%，150毫秒窗口-39.2%，而另一种算法特征集（150毫秒窗口）和线性判断：34.1%。 随机选择未标记的测试集的子集（0.1%，0.5%，1%，5%，10%）进行深度领域自适应，之后再评测整个测试集上的手势识别的准确率。最后观测到大约5%的适配数据后准确率达到巅峰，适配数据20000帧，在CSL-HDEMG的2048赫兹的采样率下大约10秒。 并且适配算法并不需要观测到所有种类的手势，从27种选择5个和13个进行适配，最终结果分别是31.3%（73.2%），34.6%（81.4%）另一种方法是肌电地势（sEMG topography），定义为肌电信号在时间上的二维平均强度图，其中每个像素是某个通道的肌电信号在特定时间窗口内的均方根，用于手势识别。 《Revealing Critical Channels and Frequency Bands for Emotion Recognition from EEG with Deep Belief Network》 在基于脑电信号的情感识别任务中，多通道脑电信号存在不相关的脑电信号，这不仅会引起噪声，还会降低系统对情感识别能力。该论文提出一种新的深度信念网（DBN）来检查用于情感识别的关键EEG信道和频段。 主要从行为和生理反应进行情感分析，因为EEG与表情手势相比，具有较高的准确性和客观评价性。该论文采用ESI神经扫描系统，从62通道电极帽以采样率为1000Hz记录脑电信号。每个实验有15个测试，每个测试包括15s提示，45s测试及反馈，5s休息。盖论文一共评价了30个实验。 先下采样原始脑电数据到200Hz，之后使用0.3Hz到50Hz的带通滤波器滤除噪声和伪影，之后采用之前提出的微分熵（differential entropy）特征[1][2]，对于固定长度的脑电信号，微分熵相当于一定频段内的对数能量谱。此前已经证明微分熵在低频和高频能量之间具有识别EEG模式的能力，因此在五个频段计算微分熵特征（δ：1-3Hz，θ：4 – 7Hz，α：8-13Hz，β：14-30Hz，γ：31-50Hz），使用256点的短时傅里叶变换，并将特征归一化到0-1。利用五个频段的去噪后的62通道的特征作为输入，DBN达到86.08%的准确率和8.34%标准差，本论文通过分析经过训练的DBN的权重分布来检验关键通道和频带，权重对于识别情感模型是很重要的，因为对于学习任务贡献较大的神经元权值将增加，不相关的神经元权值趋于随机分布，图1为权重在第一层神经网络训练后的分布，可以看出主要在beta和gamma波的权重最大，这说明此频带包含更重要的鉴别信息。  从图2中我们可以看出侧颞区和前额脑区相比其他脑区在beta和gamma频带更容易激活。因此可以得出结论，在识别积极，中性和负面情绪时侧颞叶和前额叶通道是关键通道，beta和gamma是关键频带。如图3所示，依据脑区中权重分布的特点，设计了四种不同的电极放置剖面，包括4通道，6通道，9通道和12通道，其中4通道的最佳平均精度和标准差为82.88%/10.92%，而所有62通道的最佳平均精度和标准差为83.99%/10.92%，这说明四个相对电极阻轮廓（four profiles of relative electrode sets）FT7,T7,FT8,T8是辨别情感特征的电极。 [1]Duan R N, Zhu J Y, Lu B L. Differential entropyfeature for EEG-based emotion classification[C]// International Ieee/embsConference on Neural Engineering. IEEE, 2013:81-84. [2]Zheng W L, Zhu J Y, Peng Y, et al. EEG-based emotionclassification using deep belief networks[C]// IEEE International Conference onMultimedia and Expo. IEEE, 2014:1-6. 脑电论文（大脑解码：行为，情绪）： Real-time naive learning of neural correlates in ECoG Electrophysiology 神经实时朴素学习相关的皮层电生理 地址： A Deep Learning Method for Classification of EEG Data Based on MotorImagery 基于运动表象的脑电数据分类的深度学习方法 地址： Affective state recognition from EEG with deep belief networks 基于深层信念网络的脑电情感状态识别 地址： A Novel Semi-Supervised Deep Learning Framework for Affective StateRecognition on EEG Signals 一种用于脑电信号情感状态识别的半监督深度学习框架 地址： Revealing critical channels and frequency bands for emotion recognitionfrom EEG with deep belief network 用深层信念网络揭示脑电情感识别的关键通道和频带 地址： EEG-based emotion recognition using deep learning network withprincipal component based covariate shift adaptation 基于深度学习网络的主成分协移自适应的脑电情感识别 地址： Classifying EEG recordings of rhythm perception 节律性脑电记录分类 地址： Using Convolutional Neural Networks to Recognize Rhythm Stimuli from Electroencephalography Recordings利用卷积神经网络识别脑电记录中的节律刺激 地址： Convolutional neural network with embedded Fourier transform for EEGclassification 基于嵌入傅立叶变换的卷积神经网络在脑电信号分类中的应用 地址： Continuous emotion detection using EEG signals and facial expressions 基于脑电信号和表情的连续情绪检测 地址： ‘Deep Feature Learning for EEG Recordings 脑电记录的深部特征学习 地址： 异常分类论文（阿兹海默症，癫痫，睡眠阶段检测）： Classification of Electrocardiogram Signals with Deep Belief Networks 基于深层信念网络的心电信号分类 Modeling electroencephalography waveforms with semi-supervised deepbelief nets: fast classification and anomaly measurement 半监督深信网模拟脑电波形：快速分类和异常测量 Deep belief networks used on high resolution multichannelelectroencephalography data for seizure detection 用于癫痫检测的基于高分辨率多道脑电图数据的深度信念网 地址： Deep Learning in the EEG Diagnosis of Alzheimer’s Disease 深层学习在阿尔茨海默病脑电诊断中的应用 Sleep stage classification using unsupervised feature learning 基于无监督特征学习的睡眠阶段分类 Classification of patterns of EEG synchronization for seizureprediction 癫痫发作的脑电同步模式分类 地址： Recurrent neural network based prediction of epileptic seizures inintra-and extracranial EEG 基于递归神经网络的颅内外脑电癫痫发作预测 EEG-based lapse detection with high temporal resolution 基于脑电信号的高时间分辨率检测 地址：