Decoding EEG Brain Signals using Recurrent Neural Networks
Masterarbeit aus dem Jahr 2017 im Fachbereich Elektrotechnik, Note: 1,0, Technische Universität München (Neurowissenschaftliche Systemtheorie), Sprache: Deutsch: Englisch, Abstract: Brain-Computer-Interfaces (BCIs) auf Basis der Elektroenzephalographie (EEG) ermöglichen die direkte Kommunikation zwischen Mensch und Computer durch die Analyse der Gehirnaktivität. Insbesondere sind moderne BCIs in der Lage, gedachte Bewegungen in reale Steuersignale zu übersetzen, um z.
B. einen Roboterarm oder eine Prothese zu steuern. Diese Art von BCI wird bereits in der Rehabilitationsrobotik eingesetzt und bietet einen alternativen Kommunikationskanal für Patienten, die an amyotropher Lateralsklerose oder schweren Rückenmarksverletzungen leiden.
Die derzeit modernsten Methoden basieren auf dem traditionellen maschinellen Lernen, das die Identifizierung diskriminierender Merkmale beinhaltet.
Dies ist aufgrund der nichtlinearen, nichtstationären und zeitlich veränderlichen Merkmale von EEG-Signalen eine schwierige Aufgabe, die zu stagnierenden Fortschritten bei der Klassifizierungsleistung geführt hat. Deep Learning erleichtert den Aufwand für das manuelle Feature-Engineering durch eine durchgängige Dekodierung, was eine vielversprechende Lösung für die Klassifizierung von EEG-Signalen darstellen könnte.
In dieser Arbeit wird untersucht, wie Deep-Learning-Modelle wie Long Short Memory (LSTM) und Convolutional Neural Networks (CNN) bei der Aufgabe der Dekodierung von motorischen Bewegungen aus EEG-Signalen abschneiden. Für diese Aufgabe werden sowohl ein LSTM- als auch ein CNN-Modell entwickelt, wobei die neuesten Fortschritte im Deep Learning zum Einsatz kommen, wie z. B.
Batch-Normalisierung, Dropout und beschnittene Trainingsstrategien zur Datenerweiterung. Die Bewertung erfolgt anhand eines neuen EEG-Datensatzes, der aus 20 gesunden Probanden besteht. Das LSTM-Modell erreicht mit einer kreuzvalidierten Genauigkeit von 66,20 % die Spitzenleistung von Support-Vector-Ma- chinen.
Das CNN-Modell, das eine Zeit-Frequenz-Transformation in seiner ersten Schicht verwendet, übertrifft das LSTM-Modell und erreicht eine mittlere Genauigkeit von 84,23 %. Dies zeigt, dass Deep-Learning-Ansätze konkurrenzfähige Leistungen erbringen.
| ISBN: | 9783668865037 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
