基于多尺度特征提取与挤压激励模型的运动想象分类方法

发布时间：2022-12-18 15:50

　　基于运动想象的脑机接口技术能够建立大脑与外界之间的联系,逐渐成为人机混合增强智能的重要应用,并广泛应用于医学康复治疗等领域.由于脑电信号具有非线性、非平稳和低信噪比等特点,使得准确的分类运动想象脑电信号具有很大挑战.为此,提出一种新颖的多尺度特征提取与挤压激励模型对运动想象脑电信号进行高精度分类.首先,基于多尺度卷积模块自动提取原始脑电信号的时域、频域和时频域特征;然后,使用残差模块和挤压激励模块分别进行特征的融合和选择;最后,利用全连接网络层进行运动想象脑电信号的分类.实验在2个公开的脑机接口竞赛数据集上进行分析,结果表明该模型与现有先进模型相比,有效地提升了运动想象脑电信号的识别效果,在2个数据集上分别取得了78.0%和82.5%的平均准确度,该模型可以在脑电通道较少的情况下有效地分类脑电信号且无需手动设计特征,具有较高的应用价值. 

【文章页数】：9 页

【文章目录】：
1 相关工作
2 符号定义
3 多尺度特征提取与挤压激励神经网络
    3.1 多尺度卷积模块
    3.2 残差模块
    3.3 挤压激励模块
4 实验与结果
    4.1 评价指标
    4.2 数据集
        1) 数据集1.BCI竞赛Ⅳ
        2) 数据集2.BCI竞赛Ⅳ
    4.3 实验设置
    4.4 基准模型
    4.5 与基准模型的结果对比
    4.6 讨论多尺度结构中分支数对分类结果的影响
    4.7 讨论挤压激励模块对分类结果的影响
    4.8 讨论不同通道对分类结果的影响
5 总 结


【参考文献】：
期刊论文
[1]基于生理大数据的情绪识别研究进展[J]. 赵国朕,宋金晶,葛燕,刘永进,姚林,文涛.  计算机研究与发展. 2016(01)
[2]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)



本文编号：3722328