基于STFT的卷积神经网络在MI-EEG分类中的应用

• 作者: 彭禹 宋耀莲
• 来源期刊: 电子测量技术
• 关键词: 运动想象 卷积神经网络 短时傅里叶变换 深度学习
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 研究与设计|Research and Design
• 页码范围: 36-41
• 页数: 6页
• 分类号: TP183
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.2105832

摘要

在脑机接口技术中,针对运动想象脑电信号(MI-EEG)由于其自身的高度非平稳性导致传统的手工提取特征困难和分类准确率低的问题,在特征提取和分类这方面进行了研究和探索,设计了一种基于短时傅里叶变换(STFT)的浅层卷积神经网络(SCNN).通过对网络模型的超参数进行调优实验,该网络模型在2008年BCI竞赛的公开数据集2b上进行测试得到了较好的分类结果,分类准确率达到80.23％,远高于没有进行STFT处理的CNN方法61.04％的准确率.在相同的测试指标下优于传统的机器学习分类方法(CSP+ SVM)73.52％的分类准确率,同时也比同类型的深度学习方法(CNN-SAE,77.60％)更具有优势.