报告题目：学习小标记数据脑电信号解码的空时频联合特征

报告人：唐凤珍

报告时间：2019年10月16日（星期三）15:00

报告地点：南堂405

报告内容摘要：脑-机接口是一种利用大脑活动控制外部设备的接口，近年来受到了广泛的关注。将脑电图测量到的大脑活动转化为正确的控制指令是该领域的一个关键问题。现有的脑电图解码方法大多将特征提取与分类分离，因此在不同的脑机接口用户中存在一定的鲁棒性。在本文中，我们建议结合分类规则来学习特定学科的特征。我们开发了一个深卷积网络，通过叠加时频变换、空间滤波和分类来对脑电图信号进行端到端的解码。提出的卷积神经网络实现了一种联合的EEG解码空时频特征提取方案。与经典的卷积核相比，我们的网络中使用的Morlet类小波核显著地减少了参数的数量，并赋予了在对应层学习到的特征一个清晰的解释，即谱幅。我们进一步利用权值转移，利用现有训练对象的网络参数来初始化新对象的网络，解决了训练深层需要大量数据收集的小标号数据之间的矛盾。该方法在三个公共数据集上进行了评价，与现有的分类方法相比，获得了更好的分类性能。

报告人简介：唐凤珍，2009年获得东北大学学士学位，2011年获得东北大学硕士学位，2015年获得英国伯明翰大学博士学位，现为中国科学院沈阳自动化研究所副研究员，是机器人学国家重点实验室神经计算课题组组长，中国科学院率先行动“百人计划”青年俊才（C 类）。在机器学习领域重要期刊Neural Networks， Neurocomputing、Neural Computation等和人工智能领域重要国际学术会议IJCAI， KDD等以及机器人学重要会议ICRA等发表学术论文15篇。

                                理学院  科技处  研究生院