文档名：基于通道组合数据对齐多尺度全局CNN的MIEEG分类
摘要：由于运动想象脑机接口(MI-BCI)范式不需要视觉刺激,应用MI-BCI范式在提高人机交互系统舒适度方面具有重要意义.为实现辅助设备的异步控制,提高模型的鲁棒性,减少通道使用数量以降低BCI系统输入的复杂性,提出一种基于通道组合(channelcombination,CC)-数据对齐(euclideanspacedataalignment,EA)-多尺度全局卷积神经网络(multiscaleglobalconvolutionalneuralnetwork,MGCNN)的运动想象脑电分类方法.通过引入大脑静息状态下的脑电信号,扩展MI-BCI输出指令集;利用CC将22通道脑电数据重构为左右对称通道加中间通道的3通道形式,重构后的数据经过EA方法规范后作为网络输入;构建多尺度卷积模块与全局卷积模块,并行提取脑电信号的局部特征和ERS/ERD全局特征;利用迁移学习提升模型的解码能力.结果表明:该方法在BCICompetitionⅣ2a数据集上达到了99.28％的平均准确率和0.99的Kappa值,提高了运动想象脑电分类精度,为在线异步运动想象脑机接口的应用与发展作出了贡献.
Abstract：Withoutvisualstimuli,themotorimagerybrain-computerinterface(MI-BCI)paradigmplaysacrucialroleinenhancingthecomfortlevelofbrain-computerinteractionsystems.Toachieveasynchronouscontrolofauxiliaryequipment,improvemodelrobustness,andreducethenumberofchannelsfordecreasedcomplexityinBCIsysteminputs,amotorimageryEEGclassificationmethodbasedonachannelcombination(CC)-euclideanspacedataalignment(EA)-multiscaleglobalconvolutionalneuralnetwork(MGCNN)isproposedinthispaper.TheoutputinstructionsetoftheMI-BCIparadigmisexpandedbyincorporatingEEGsignalsfromtherestingstateofthebrain.The22-channelEEGdataisreconstructedintoa3-channelformconsistingofleftandrightsymmetricchannelsandanintermediatechannelusingCC.ThereconstructeddataarenormalizedbytheEAmethodandusedasnetworkinput.AmultiscaleconvolutionmoduleandtwoglobalconvolutionmodulesarebuilttoextractlocalfeaturesandERS/ERDglobalfeaturesfromtheEEGsignalsinparallel.Thedecodingabilityofthemodelisimprovedbyusingtransferlearningmethods.OurexperimentalresultsontheBCICompetitionⅣ2adatasetshowtheproposedmodelachievesanaverageclassificationaccuracyof99.28％andakappavalueof0.99,improvestheaccuracyofmotorimageryEEGclassificationandcontributestotheapplicationanddevelopmentofonlineasynchronousmotorimagerybrain-computerinterfaces.
作者：武岩 满建志 宋雨 李奇 Author：WUYan MANJianzhi SONGYu LIQi
作者单位：长春理工大学计算机科学技术学院,长春130022;长春理工大学中山研究院,广东中山528400长春理工大学计算机科学技术学院,长春130022
刊名：重庆理工大学学报 PKU
Journal：JournalofChongqingInstituteofTechnology
年，卷(期)：2024, 38(5)
分类号：TP391
关键词：运动想象 脑机接口 通道组合 卷积神经网络 数据对齐
Keywords：motorimagery brain-computerinterface channelcombination convolutionalneuralnetwork dataalignment
机标分类号：TP39F752.742.4TN911.7
在线出版日期：2024年5月24日
基金项目：吉林省科技发展计划国际科技合作项目，吉林省科技发展计划国际联合研究中心建设项目基于通道组合-数据对齐-多尺度全局CNN的MI-EEG分类[
期刊论文] 重庆理工大学学报--2024, 38(5)武岩 满建志 宋雨 李奇由于运动想象脑机接口(MI-BCI)范式不需要视觉刺激,应用MI-BCI范式在提高人机交互系统舒适度方面具有重要意义.为实现辅助设备的异步控制,提高模型的鲁棒性,减少通道使用数量以降低BCI系统输入的复杂性,提出一种基于通道...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于通道组合-数据对齐-多尺度全局CNN的MI-EEG分类 Research on MI-EEG classification based on channel combination-data alignment-multiscale global CNN
基于通道组合-数据对齐-多尺度全局CNN的MI-EEG分类.pdf
- 文件大小:
- 3.35 MB
- 下载次数:
- 60
-
高速下载
|
|
