-
题名基于EEG-TCNet的运动想象脑电识别方法
被引量：1
- 1
-
-
作者
李卫校
凌六一
-
机构
安徽理工大学电气与信息工程学院
安徽理工大学人工智能学院
-
出处
《重庆工商大学学报(自然科学版)》
2025年第1期123-128,共6页
-
文摘
目的针对以深度学习为解码的方法在运动想象脑电信号识别过程中仅对原始的运动想象脑电信号进行特征提取而不进行样本扩充和往往采用单一尺度的卷积对多频段的运动想象脑电信号进行特征提取,无法充分发掘各频段之间相关性的问题,在主流EEG-TCNet解码方法的基础上提出了一种样本扩充和多尺度的解码方法。方法首先,对运动想象脑电信号进行分割,以增加数据集样本数,将运动想象脑电信号等间隔下采样成3个不同的子序列,每个子序列都含有与原始运动想象脑电信号相同的数据特征;其次,使用EEGNet对每个子序列进行特征提取,对不同的子序列使用不同尺度的EEGNet以便提取不同频段的特征;之后,对每个经过EEGNet提取后的子序列采用一种基于卷积滑动的方法再进分割,充分挖掘每个子序列潜在的信息;再次,将每个处理后的子序列传入到时间卷积网络进行特征提取和降维;最后,对所有处理后的子序列进行拼接、平均操作,并传入到全连接层进行识别。结果在公开的BCI竞赛数据集Ⅳ-2a上进行验证,所做出改进的网络相对于EEG-TCNet、EEGNet的解码准确度分别有5.19%和7.7%的提升。结论证明所做出改进的网络在运动想象脑电信号识别任务中具有更理想的解码性能。
-
关键词
eeg-tcnet
运动想象脑电信号
卷积神经网络
时间卷积网络
-
Keywords
eeg-tcnet
motion imagery EEG signals
convolutional neural network
temporal convolution network
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
