基于脑电信号的运动想象分类方法研究.pdfVIP

基于脑电信号的运动想象分类方法研究

摘要

脑机接口技术作为一种全新的人机交互方式，是当前人工智能领域最热门的研究方

向之一，它是一种直接将人类大脑中的神经活动与计算机或其他外部设备进行连接和控

制的技术，其在医疗、军事、教育、娱乐、日常生活等各个领域均有着很广泛的应用。

如何精确地对脑电信号进行特征提取和分类是该领域的研究重点，本文以此作为研究目

标，探索了基于传统的特征提取及分类方法和基于深度学习的分类方法，本文的试验数

据集是基于二类运动想象的BCI2003数据集，和基于多类运动想象的BCI2008数据集。

论文的主要工作内容如下：

在数据预处理阶段，针对数据集样本数量少的缺点，设计了基于时频域重组的数据

增强方法，将原数据集进行了扩充。

在实验阶段，本文首先使用经典的共空间模式特征提取算法，结合传统机器学习分

类器支持向量机，对两个数据集进行实验，并将其结果作为后续深度学习方法的参考基

准。

然后是使用基于深度学习的方法对相同的运动想象数据集进行分类。本文构建了一

个适用于处理脑电信号的紧凑型卷积神经网络EEGNet模型，在二分类和四分类数据集

上的表现均比传统的机器学习算法有了很大提升，同时深度学习方法还省去了手动提取

特征的步骤，其在二分类数据集上的准确率达到90%以上，在四分类数据集上9名受试

者的平均准确率达到了79.39%。

在EEGNet模型的基础上进行了改进，引入了适合于处理时序信号的时间卷积网络

TCN，构造了一个TCNet模型，并模仿人类的视觉注意力，添加了多头自注意力模块，

该模块能帮助模型更有效地关注主要特征而忽略次要特征，使本模型在四分类数据集上

的分类表现有了很大的提升，取得了85.34%的平均准确率。

综上所述，基于时间卷积和注意力机制的深度学习模型能够自发且有效地提取到脑

电信号的关键特征，虽然对于不同受试者存在着效果的差异，但从整体而言仍然可以认

为该模型在运动想象脑电分类方面取得了出色的效果。

关键词：脑机接口；运动想象；共空间模式；卷积神经网络；注意力机制

基于脑电信号的运动想象分类方法研究

Abstract

Asanovelwayofhuman-computerinteraction,Brain-computerinterfacetechnologyis

oneofthehottestresearchdirectionsinthefieldofartificialintelligenceatpresent.Itisakind

oftechnologythatdirectlyconnectstheneuralactivitiesinhumanbrainswithcomputersor

otherexternaldevices,andithasawiderangeofapplicationsinmedical,military,education,

entertainment,dailylifeandotherfields.Howtoaccuratelyextractandclassifythefeaturesof

EEGsignalsistheresearchfocusinthisfield.Withthisastheresearchobjective,thisthesis

exploresthetraditionalmethodsbasedonfeatureextractionandclassificationandthemethods

basedondeeplearning.TheexperimentaldatasetsinthisthesisaretheBCI2003datasetbased

ontwo-classmotorimagery,andtheBCI2008datasetbasedonmulti-classmotorimagery.The

mainworkofth