在运动想象脑电信号采集过程中,因受试者注意力不集中而未严格遵从提示进行对应的运动想象,导致所采集脑电数据与提示(标签)不一致,即出现“噪声标签”,降低了模型捕捉关键特征的能力,影响模型在新受试者上的泛化。基于此,本文提出一种...在运动想象脑电信号采集过程中,因受试者注意力不集中而未严格遵从提示进行对应的运动想象,导致所采集脑电数据与提示(标签)不一致,即出现“噪声标签”,降低了模型捕捉关键特征的能力,影响模型在新受试者上的泛化。基于此,本文提出一种“噪声标签”下多尺度时空特征学习的运动想象分类方法。首先,采用卷积神经网络提取脑电信号多尺度局部时间特征,降低个体间差异性影响;其次,在时空维度上分块划分特征图,作为Transformer模块输入,利用时空特征融合模块,优化全局时空特征;最后,引入对称交叉熵损失,将交叉熵计算方式扩展到所有类别,降低“噪声标签”的影响。在PhysioNet和BCI IV 2a运动想象数据集上的实验结果表明,本文方法的平均准确率优于其他方法,其中在PhysioNet数据集上引入对称交叉熵损失,二、三和四分类的平均准确率分别提升0.09%、0.65%和0.66%。此外,在不同比例的“噪声标签”干扰下,无需增加模型参数量和计算量,对称交叉熵损失就能改善模型的分类性能与鲁棒性。展开更多
文摘在运动想象脑电信号采集过程中,因受试者注意力不集中而未严格遵从提示进行对应的运动想象,导致所采集脑电数据与提示(标签)不一致,即出现“噪声标签”,降低了模型捕捉关键特征的能力,影响模型在新受试者上的泛化。基于此,本文提出一种“噪声标签”下多尺度时空特征学习的运动想象分类方法。首先,采用卷积神经网络提取脑电信号多尺度局部时间特征,降低个体间差异性影响;其次,在时空维度上分块划分特征图,作为Transformer模块输入,利用时空特征融合模块,优化全局时空特征;最后,引入对称交叉熵损失,将交叉熵计算方式扩展到所有类别,降低“噪声标签”的影响。在PhysioNet和BCI IV 2a运动想象数据集上的实验结果表明,本文方法的平均准确率优于其他方法,其中在PhysioNet数据集上引入对称交叉熵损失,二、三和四分类的平均准确率分别提升0.09%、0.65%和0.66%。此外,在不同比例的“噪声标签”干扰下,无需增加模型参数量和计算量,对称交叉熵损失就能改善模型的分类性能与鲁棒性。
