基于深度卷积网络的运动想象脑电信号模式识别

针对运动想象脑电信号（MI-EEG）分类准确率普遍偏较低的问题,引入基于深度框架的卷积神经网络模型（CNN）。首先,使用短时傅里叶变换（STFT）和连续小波变换（CWT）得到两种不同解析度下的时频信息;然后将其与电极通道位置信息相结合并以三维张量的形式作为CNN的输入;其次,设计了两种基于不同卷积策略的网络模型MixedCNN和StepByStepCNN来分别对两种形式的输入进行特征提取和分类识别;最后,针对因训练集样本过少而易发生的过拟合问题,引入mixup数据增强策略。在BCI Competition Ⅱ dataset Ⅲ数据集上的实验结果表明,CWT得到的样本集通过mixup数据增强后送入MixedCNN网络训练出的模型的识别准确率最高（93.57%）,相较于另外四种分析方法：公共空间模式（CSP）+支持向量机（SVM）、自适应自回归模型（AAR）+线性判别分析（LDA）、离散小波变换（DWT）+长短期记忆网络（LSTM）、STFT+堆栈自编码器（SAE）分别提高了19.1%、20.2%、11.7%和2.3%。所提方法可以为MI-EGG分类任务提供参考。