81、脑电信号解码与FPGA软核技术解析

脑电信号解码与FPGA软核技术解析

脑电信号解码部分

在脑机接口（BCI）领域，对视觉隐蔽注意力转移的解码是一个重要的研究方向。研究人员利用脑电图（EEG）信号来实现这一目标，以下是详细介绍。

1. 数据预处理

EEG信号的预处理使用了EEGLAB工具。电极位置按照10 - 20系统设置，研究中使用了标记为蓝色的电极。

2. 卷积神经网络（CNN）

• 原理 ：CNN由具有可学习权重和偏置的神经元组成。每个神经元对输入进行点积运算，并可选择执行非线性操作。神经元构成的层按输入的空间维度（高度和宽度）以及深度三个维度组织。CNN包含卷积层、池化层和全连接层，在分类时卷积层的权重与全连接层混合，因此复杂度较低且所需内存较少，已成功应用于机器视觉和医学图像识别。
• 提出的架构 ：该模型由两个卷积层块组成，后面跟着一个最大池化层和一个全连接层。为避免过拟合，采用了丢弃策略，即在训练过程中随机消除输入，在每个卷积层后按一定比例插入丢弃层。两个CNN块的输出在具有softmax激活函数的全连接层中组合。其各层信息如下表所示：
  | Layer | Type | Shape | Parameter |
  | — | — | — | — |
  | conv2d | Convolution | (36,14,32) | 320 |
  | dropout | Dropout | (36,14,32) | 0 |
  | Conv2d_1 | Convolution | (34,12,32) | 9248 |