运动想象是基于脑电图信号构造脑机接口的重要手段之一,当前主流方法依赖于单任务的特征提取方法或卷积神经网络模型,无法同时兼顾时空、频段特征的复杂变化。为此,提出一种基于多任务卷积神经网络的运动想象脑电解码方法。该模型包含...运动想象是基于脑电图信号构造脑机接口的重要手段之一,当前主流方法依赖于单任务的特征提取方法或卷积神经网络模型,无法同时兼顾时空、频段特征的复杂变化。为此,提出一种基于多任务卷积神经网络的运动想象脑电解码方法。该模型包含时空特征提取任务和频段提取任务;采用卷积操作分别提取时域、空域特征,以及小波卷积提取深度频段特征;最终构建多任务目标函数优化卷积神经网络模型,实现多种特征类型的互补。在BCI Competition IV 2a和2b公开数据集上的实验结果表明,与现有单任务方法或模型相比,所提出的新模型提高了脑电特征学习能力,在两个数据集上分别获得了84.7%和80.6%的平均分类准确率,提升了运动想象解码性能。展开更多
文摘运动想象是基于脑电图信号构造脑机接口的重要手段之一,当前主流方法依赖于单任务的特征提取方法或卷积神经网络模型,无法同时兼顾时空、频段特征的复杂变化。为此,提出一种基于多任务卷积神经网络的运动想象脑电解码方法。该模型包含时空特征提取任务和频段提取任务;采用卷积操作分别提取时域、空域特征,以及小波卷积提取深度频段特征;最终构建多任务目标函数优化卷积神经网络模型,实现多种特征类型的互补。在BCI Competition IV 2a和2b公开数据集上的实验结果表明,与现有单任务方法或模型相比,所提出的新模型提高了脑电特征学习能力,在两个数据集上分别获得了84.7%和80.6%的平均分类准确率,提升了运动想象解码性能。
