基于卷积循环神经网络的脑电波识别技术研究与实现任务书

 2020-02-18 05:02

1. 毕业设计(论文)主要内容:

近年来,基于脑电图(electroencephalograph,EEG)的用户认证系统在生物特征识别的研究中取得了长足的发展,引起了越来越多的关注。EEG信号作为一种新的生物特征,与传统的生物识别技术相比,具有不可见性、不可克隆性和非强制性等优点,因此以EEG信号为代表的脑电波模式被认为是一种很有前途的生物特征方法。传统的EEG认证技术大多采用功率谱密度(PowerSpectral Density, PSD)作为识别特征,这需要对EEG信号进行复杂的预处理,同时识别率也有很大的提升空间。因而亟需寻找新的EEG识别技术,在减少信号预处理步骤的同时,提高识别准确率。本课题研究采用卷积神经网络和循环神经网络结合的方式,实现基于EEG信号的用户认证系统,用户使用本系统时,需要先上传自己的EEG信号,将EEG信号转化为模板存在数据库中,完成注册;在登陆阶段,重新采集用户的EEG信号,经过非线性变换后与数据库中的模板进行对比,若认证通过,则用户登陆成功。本系统在对信号进行简单预处理的同时也保证了EEG识别的准确率。

2. 毕业设计(论文)主要任务及要求

主要任务:

1. 通过阅读文献,了解脑电波识别各个过程;

2. 研究现有脑电波识别方法,同时分析比较当前脑电波识别技术的识别率与识别速度以及其适用范围,重点研究基于神经网络的脑电波识别技术。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 毕业设计(论文)完成任务的计划与安排

1. 第1周至第2周:查阅有关的参考资料并完成开题报告;翻译英文资料(不少于5000汉字),并交予指导教师检查。(2019.1.19-2019.2.28)

2. 第3周至第6周:熟悉所选用的实现平台,运用所学的编程技术,完成整个实验实现的前期设计工作。(2019.3.1-2019.4.1)

3. 第7周至第13周:进行实验的编码、调试、训练、测试工作。(2019.4.2-2019.4.30)其中第10周左右(2019.5.4-5.8)进行毕业设计中期检查,需要提交论文前三章和毕业设计框架。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 主要参考文献

[1] 作者: 周志华, 机器学习, 北京:清华大学出版社, 2016.

[2] he k,zhang x, ren s, et al. deep residual learning for imagerecognition[c]//proceedings of the ieee conference on computer vision andpattern recognition. 2016: 770-778.

[3] wu q, zeng y, lin z, et al. real-time eeg-basedperson authentication system using face rapid serial visualpresentation[c]//neural engineering (ner), 2017 8th international ieee/embsconference on. ieee, 2017: 564-567.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。