《使用反向传播算法脑电图基于聆讯鉴定》由会员分享，可在线阅读，更多相关《使用反向传播算法脑电图基于聆讯鉴定（12页珍藏版）》请在金锄头文库上搜索。
1、 脑电图为基础的听觉识别使用反向传播 算法专业：电子信息科学与技术 学号:2008271019 摘要 脑电图（脑电图）使用人工智能识别基础听力是一个应用人类认知能力之间年代(听 觉),脑电图技术和人工智能。脑电图信号产生：听声音，听到特别的频率将被使用 neurofaxeeg-9200 装置记录及进一步分析。脑电信号的来源用来训练 21 层前馈反向传播 神经网络（网络）为识别模式的大脑波。脑电信号利用快速傅立叶变换（快速）和滤波技 术进行分析。此外，训练有素的网络可以别有效的大脑信号。一个图形用户界面（界面） 已发展到显示的数字化脑电信号和识别结果。结果表明，该算法能够处理脑电图数据确定 频率
2、的声音知觉 简介 一、 在当今世界，脑电图 （EEG） 已成为重要的技术。脑电图用于临床及研究用途。 脑电图技术通过放置在头皮上的电极捕获人类脑电活动。有许多在神经科学研究中使 用脑电图的先例。首先是脑电信号非侵袭性研究，功能磁共振成像 （fMRI）。第二， 脑电图记录自发性脑活动和能够检测在毫秒时间刻度上大脑中的电活动的变化。弗朗 西斯 高尔顿在 19 世纪下半年进行高频听力的第一次系统研究。高尔顿使用附加 到手杖和经营的橡胶球的高频率哨子产生高频率的声音，观察条件反射的动物，比如 那些的伦敦动物园里的动物。听觉是人类五个传感器的之一。人类的发声频率被介乎 20 Hz 至 20 kHz 能够
3、普遍接受。人类不能感知 20 千赫以上的频率范围内的声音。 此外，humans 大脑分为四个主要叶： 额叶、 顶叶、 枕叶和颞叶 1。颞叶将响 应听觉能力的人。由于声音，人类的大脑将所产生的电活动将收集摆放在头皮上的电极。下面的图 1 所 示。头皮领域之一在人工智能 (AI)，它发展迅速，在过去的几年中获得流行的工程应用电 极 。图 1 是人工神经网络 。人工神经网络是由数量互联信息处理单元 （神经元） 组成 的计算网络。人工神经网络是能够了解并代表一组输入变量和一组系统或进程的输出变量 之间的未知的依赖关系。人工神经网络的发展是基于解决大型复杂的问题，需要和鼓舞成 功体系职能的生物，在这方面
4、特别是人类大脑。人类听觉的大脑反应研究，在此研究中， 人类可以理解他们的身体好才能应用技术，以提高生活质量。因此，这项研究的目标是研 究人类的大脑响应，当他们听单一频率音，开发一个算法，在药物治疗下自动的脑电信号 的世界。训练前馈反向传播神经网络的数据库，收集一套的大脑信号。前馈反向传播神经 网络可以识别的大脑信号模式。基于神经网络的自动的识别系统是为了找出人类的大脑听 觉响应。使用的梯度下降算法的想法与势头向前背传播 21 层是设计和实施，连同一个用 户友好的 GUI。神经网络可以识别加工有效的脑电信号。方法和途径二.研究分几个阶段： 数据的记录、 信号处理时频分析 、 数据培训与鉴定。看脑
5、电 图信号和筛选使用 Matlab。说明整体研究的块图如图 2 所示。在图中的每个块下面的是 小节中详细介绍。它包括实验设置、 脑电图信号记录、 脑电图信号预处理和前馈反向传 播神经网络训练算法。图 2图 2 块图使用人工智能 A.设置实验中顺序作为数据库收集听觉识别大脑电活动的脑电 信号。首先，准备 Neurofax 脑电图 9100。Neurofax 脑电图 9100 是 Windows XP 笔记本 PC 基于脑电图，具有高性能和可扩展性与可选的硬件和软件。Neurofax 脑电图 9100 用来记录从一个主题收集到的大脑信号。选择青少年年龄的范围从 20 到 23 岁。 他们有机会接触
6、到频率 400 Hz，500 Hz，5000Hz 和 15000Hz 的声音。实验要求在放 松和舒适的条件下听听得见的声音。此外，需要有足够的休息，然后进行了实验，在实验 的过程中关闭他们的眼睛。使用图 3 中所示的工具记录脑电图信号。2. 脑电图记录头皮测量大脑的电活的脑电信号。电活动的大脑颞叶从收集通过使用 4 电极放在 T3、 T5、 T4、 T6 的脑电图头皮 （如图 1 所示）。一个控件数据和一个实 验数据所需的每个单一频率的声音分析 （400 Hz、 500 Hz、 5000Hz 和 15000Hz 分 别)。控制数据记录时科目都放松了，听没有声音。控制数据记录 10 秒。之后，人
7、们会听 一个播放声音的单一频率的演讲者。听声音 20 秒钟，信号记录 10 秒钟。此数据将为实 验数据。 3.每个特定频率的声音，控制和记录实验的数据和收集到的大脑信号是时间域中如图 4 所示。 脑电信号预处理图 4图 5图 5 的电极是放置在 T3、 T4、 T5 T6 频率域收集到的大脑信号图 4 电极是放在 T3、 T4、 T5 T6 时间域收集到的大脑信号，仅在频率域中显示清 楚。因此，将使用在 Matlab 中可用的快速傅里叶变换 (FFT) 功能看大脑信号。FFT 是 一种有效的算法计算离散傅里叶变换 （DFT） 和及其逆 FFT 过程, 大脑信号是离散形式。 如图 5 所示，可以
8、看到大脑信号是镜像频率 256 Hz。21 层饲料向前反向传播神经网络已经快速发展脑电数据。在这项研究网络的设计使用 Matlab 工具箱。Tansig 内部层已使用用于生成值，范围为-1 + 1 到网络并代换输出层允 许网络产生范围为 + 1-1 以外的值。网络被训练梯度下降算法使用的势头，因为它已达到 全球的局部最小的更快收敛，它具有与动量速降。在培训中，重量和网络的偏见会反复调 整尽量减少网络性能功能、 误差 (mse： 平均平方 (a) 网络输出和目标输出 (t) 之间的 根错误）。神经网络培训可能更有效，如果某些预处理步骤执行目标和网络的投入。培训 前，通过有用缩放的输入和目标，以便
9、他们总能落在指定的范围内。使用规模投入和目标 函数 mapminmax，以使他们陷入范围 -1、 1。创建 21 层神经网络后，网络已在数据 库中使用必须受过训练的信号。网络参数如学习率、 最大的时期和培训的目标必须初始化 首先开始前训练过程。最后，一个软件系统，用来培训网络，显示看大脑信号和鉴定结果 已经使用一个用户友好的 GUI。 三.结果和讨论大脑信号的另一组已记录在不同的时间来研究大脑信号是否一致，或 未当回应不同频率的声音。大脑信号图 11 显示 1s 大脑有一定的模式，当他听特定声音频率显示主题 2 的大脑信号。主题 1 和 2 的大脑反应是不同的。但个别的为每一组 的每个主题的大
10、脑反应了同样的模式，但是振幅有所不同。在此情况下，人类的大脑响应 可以得出的结论有某些模式时声音与不同的频率，但它的反应是个别的，因为对人的大脑 反应是不同的。所以，对大脑响应个人也是不同。因此，可以断定这脑电信号自动化系统 依赖主体脑电图。 从图 11 和图 12，被研究的主题：脑响应。0 25 Hz 是卷积的影响。所以从 25 到 29 Hz 以下的 Theta 开始三角波波 29 到 33 Hz， 波 38 到 55 Hz 测试版。脑电图节 奏正在减少从 25 Hz 到 60 Hz。脑波显示较高振幅波是因为这个问题需要专注于听觉的 三角洲。Theta 波显示内存过程， 波显示也许可做一些
11、认知过程。Beta 波是中上述最 低是因为降低电机皮质的反射活动。60 Hz 至 80 Hz 或以上是伽玛波。伽玛波是由于人 类认知活动的响应。伽马波 振幅增加，因为听觉系统工作正常，大脑信号的形状有类似的 模式。但当他听到的声音是与 40 Hz、 5000 Hz 和 15000 Hz 大脑信号的振幅不同的。 大脑的振幅响应 听 40 Hz 的声音是最高的。然后，听 5000 Hz ，大脑信号的振幅转到 最低。但是，当 声音 频率增加到 15000 Hz ，高于 40HZ 信号的振幅的大脑信号的振幅 但低于设 5000HZ 的信号。这受自然反映的听觉能力和大脑的响应。此外，高-安声音也影 响大
12、脑作出响应。Fig. 11 Filtered brain signals of subject 1 when subject respond to sound frequencies of 40 Hz, 5000Hz and 15000Hz Fig.12 Filtered brain signals of subject 2 when subject re此自动化系统的结果显示性能设计的神经网络。它显示网络可以有效地识别大脑信号。 网络测试使用培训的和未受过训练的大脑信号。受过训练的信号是用来培训网络的信号。 性能是足够稳定，受过培训和未经培训信号的鉴定结果上是相同。神经网络能准确识别的 受过
13、培训和未经训练的信号。四.结论算法使用AI 的脑电信号听觉识别系统研制成功。测试结果显示向前传播的神经网络，可以有效 地识别大脑信号。此系统可帮助专家或治疗师治疗 urpose 的大脑反应。最后，自动化的 电 encephalographic （脑电图） 有利于识别系统的发展，以减少医生的工作。自动化的 脑电信号识别系统也可以增强的分析质量和分析的准确性，为将来的研究收集的脑电信号 的更大数据库以提高系统的准确性。Electroencephalographic Based Hearing Identification using Back-Propagation AlgorithmAbstra
14、ct Electroencephalographic (EEG) based hearing identification using artificial intelligent is an application between humans cognitive ability (hearing), EEG technology and artificial intelligent. EEG signals which are produced when a subject listen to an audible sounds with particular frequency will
15、 be recorded using Neurofax EEG-9200 device for further analysis. The EEG signals are the sources for this research; used to train a 21 layers feed-forward back-propagation neural network (NN) in order to recognize the patterns of the brain wave. The EEG signals are analyzed using Fast Fourier Trans
16、form (FFT) and filtering techniques available in Matlab. Furthermore, the well trained network can recognise the brain signal effectively. A graphic user interface (GUI) has been developed to display the digitalised brain signal and identification result. The result showed that the NN algorithm was able to process the EEG data to identify the sound frequency perceived by the subjects. Keywords Electroencephalograp
