基于时空特征学习卷积神经网络的运动想象脑电解码方法

• 作者: 褚亚奇 朱波 赵新刚 赵忆文
• 来源期刊: 生物医学工程学杂志
• 关键词: 运动想象脑电 脑机接口 时空特征 卷积神经网络 信号解码
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 论著|Articles
• 页码范围: 1-9
• 页数: 9页
• 语种: 中文
• DOI: 10.7507/1001-5515.202007006

摘要

基于运动想象脑电(EEG)的脑-机接口系统能够为用户提供更为自然、灵活的控制方式,已广泛应用到人机交互领域.然而,由于目前运动想象脑电的信噪比及空间分辨率较低,导致信号解码正确率较低.针对这一问题,本文提出一种基于时空特征学习卷积神经网络(TSCNN)的运动想象脑电解码方法.首先,针对经过带通滤波预处理的脑电信号,依次设计时间和空间维度上的卷积层,构造出运动想象脑电的时空特征;然后,利用2层二维卷积结构对脑电的时空特征进行抽象学习;最后,通过全连接层和Softmax层对TSCNN学习的抽象特征进行解码.利用公开数据集对该方法进行实验测试,结果表明,所提方法的平均解码精度达到80.09％,分别比经典的解码方法共空间模式(CSP)+支持向量机(SVM)和滤波器组CSP(FBCSP)+SVM提高了 13.75％和10.99％,显著提升了运动想象脑电解码的可靠性.