人类从未放弃对“意念控制”能力的想象,随着计算机性能的不断提高,近年来脑电图技术也取得了较大的发展,其在人机交互、医疗辅助等领域取得了很大的进步。因此脑电图与机器学习方法的共同探索也成为了研究热点之一。更进一步,研究人员开发了脑机交互的系统原型,允许用户仅使用自己的大脑来执行各种任务。由于循环神经网络策略在处理时序数据时会引发梯度消失或爆炸的问题、LSTM网络模型在面对长时间的输入序列时存在记忆力不足问题,本文基于低成本设备中脑电图数据的处理以及精细分类等问题,所做的贡献如下:(1)本文基于Stacked LSTM网络,研究了一种面向低成本设备下的脑电图数据的分类模型。首先,基于低成本脑电图采集设备,进行了数据的收集,并构建了多类别可分的脑电图数据集。然后,本文对Stacked LSTM网络加以改进,通过在Stacked LSTM隐藏层前后添加全连接层的方式,使得模型能够学习到脑电图数据时序特征外其他外界因素下的特征。此外,模型也可以汇总前时刻下数据对后时刻下输出的影响并得到预测的向量值。本文最后通过实验验证了该模型能够在低成本设备下的脑电图数据分类取得了接近90%的分类效果。(2)本文提出了基于注意力Stacked LSTM脑电图数据的类别预测模型并进行实验验证。在阐述了注意力机制处理低成本设备下的脑电图数据的优势以及其本身对于记忆力不足问题的解决方案后,本文通过将LSTM隐藏层的输出值与状态值分别传入到设计的注意力模块中不仅可以很好的弥补LSTM网络记忆力不足的劣势,并且获得了更为精细的脑电图数据分类结果。实验的结果也验证了本文提出的基于注意力机制的LSTM脑电图数据类别预测模型,能够在各项关键的指标(如内存占用以及AUC等)对比中占据优势并达到了97.5%的分类效果。(3)本文设计了一个基于人机交互信息下注意力Stacked LSTM的端到端系统。在本文的系统中,描述了一个总体软件架构,一个硬件(基于TX2深度学习和stm32机器控制的轮式的机器人),一个低成本的现成EEG头戴设备,以及一个效果最优的基于注意力机制的Stacked LSTM算法来处理脑电图信号。本文构思了一个基于TX2深度学习和stm32机器控制的轮式的机器人解决方案,该解决方案可以读取用户的EEG信号并能够执行多类型的任务。本文将该解决方案命名为“嵌入式AI”。