运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向。近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽...运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向。近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息。为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信号的相关系数建立脑电图结构,提取脑电信号的时频域特征信息作为输入,再经过图卷积网络进行节点特征聚合以学习谱域特征,最后通过全连接层输出分类结果。该方法在BCI Competition IV Dataset 2a数据集上取得80.9%的准确率和0.74的kappa系数,相比其他方法可以充分学习时、频、谱域的特征信息,取得更好的识别效果,为运动想象脑机接口提供一种新的思路和方法。展开更多
为了正确提取脑电信号的特征信息以提高大脑运动想象的识别准确率,提出一种基于时空特征的卷积神经网络(TSCNN)方法。通过一个时间卷积神经网络和一个空间卷积神网络,自主学习最优的时空滤波器参数,之后再通过卷积神经网络进一步提取不...为了正确提取脑电信号的特征信息以提高大脑运动想象的识别准确率,提出一种基于时空特征的卷积神经网络(TSCNN)方法。通过一个时间卷积神经网络和一个空间卷积神网络,自主学习最优的时空滤波器参数,之后再通过卷积神经网络进一步提取不同尺度的脑电信号特征信息,完成运动想象分类识别,并在小样本情况下通过信号分段、膨胀卷积等策略进一步优化训练效率和识别性能。该方法在BCI Competition IV Dataset 2a数据集上取得78.8%的准确率和0.72的kappa系数,相比其他方法可以在不进行预处理及额外特征提取的情况下,取得更好的识别效果。展开更多
文摘运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向。近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息。为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信号的相关系数建立脑电图结构,提取脑电信号的时频域特征信息作为输入,再经过图卷积网络进行节点特征聚合以学习谱域特征,最后通过全连接层输出分类结果。该方法在BCI Competition IV Dataset 2a数据集上取得80.9%的准确率和0.74的kappa系数,相比其他方法可以充分学习时、频、谱域的特征信息,取得更好的识别效果,为运动想象脑机接口提供一种新的思路和方法。
文摘为了正确提取脑电信号的特征信息以提高大脑运动想象的识别准确率,提出一种基于时空特征的卷积神经网络(TSCNN)方法。通过一个时间卷积神经网络和一个空间卷积神网络,自主学习最优的时空滤波器参数,之后再通过卷积神经网络进一步提取不同尺度的脑电信号特征信息,完成运动想象分类识别,并在小样本情况下通过信号分段、膨胀卷积等策略进一步优化训练效率和识别性能。该方法在BCI Competition IV Dataset 2a数据集上取得78.8%的准确率和0.72的kappa系数,相比其他方法可以在不进行预处理及额外特征提取的情况下,取得更好的识别效果。
