基于深度学习的运动想象脑电信号分类研究.pdfVIP

摘要

脑机接口(Brain-ComputerInterface,BCI)通过大脑神经系统产生的电信号分析

用户的意图，提供了与外界设备和环境进行通信的新途径。运动想象作为常见的

BCI范式，在康复医学、神经工程等领域拥有广泛的应用前景。然而，当前运动

想象BCI面临着一些挑战，包括如何提取有效的特征以提高分类准确率，以及减

少分类器的校准时间来满足实时应用的需求等。为此，本文设计了两种基于深度

学习的运动想象脑电信号分类方法。

鉴于脑电(electroencephalography,EEG)切片具有试次内相似性和试次间差异

性的特点，本文提出了一种跨通道融合多尺度孪生网络的运动想象分类方法。该

网络包括三个主要模块：孪生跨通道融合流，相似度模块和分类模块。每一条孪

生跨通道融合流包括多条分支，并采用跨通道融合模块提升多尺度时间特征的表

示能力；相似性模块通过欧式距离或余弦距离等度量方式，计算不同分支之间的

特征相似性；分类模块为所有孪生跨通道融合流的特征分类提供了约束。相似性

模块和分类模块构成了一种新的联合训练策略，能够有效地优化网络性能。该模

型在公共数据集BCICompetitionIV2a和2b上的实验结果表明，其性能优于其他

先进的运动想象脑电信号分类方法。

考虑到跨被试任务的分类性能和BCI系统的实时性需求，本文进一步提出了

基于少样本学习的自适应融合和自注意力网络。该网络由多尺度自适应融合模块、

自注意力模块、关系模块和分类模块构成。多尺度自适应融合模块首先通过多尺

度残差模块提取EEG信号中的多尺度时间信息，然后利用自适应融合模块将来自

浅层和深层的不同时间特征进行融合，得到融合特征图。自注意力模块能够学习

特征图的全局信息和内部的长期依赖关系，提升分类准确率。关系模块生成查询

集样本与支持集每一类信号的关系分数，并通过分类模块确定最终的预测结果。

在公共数据集BCICompetitionIV2a和2b上的跨被试实验结果表明，所提出的网

络性能优于主流算法。

关键词：脑电，运动想象，孪生神经网络，少样本学习，自适应融合，自注意力

ABSTRACT

Brain-ComputerInterface(BCI)providesanewwaytocommunicatewithexternal

equipmentandtheenvironmentbyanalyzingtheusersintentionthroughtheelectrical

signalsgeneratedfromthebrainnervoussystem.AsacommonBCIparadigm,motor

imageryhasbroadapplicationprospectsinrehabilitationmedicine,neuralengineering,

andotherfields.However,thecurrentmotorimageryBCIfacessomechallenges,

includinghowtoextracteffectivefeaturestoimprovetheclassificationaccuracyand

reducethecalibrationtimeoftheclassifiertomeettheneedsofreal-timeapplications.

Therefore,thisthesisdesignstwomotorimageryEEGsignalclassificationmethods

basedondepthlearning.

Sincetheelectroencephalography(EEG)cropshavethecharacteristicsofintra-trial

similarityandinter-trialvariability