基于通道注意力机制与对比学习的脑电信号分类研究.pdfVIP

重庆师范大学硕士学位论文中文摘要

基于通道注意力机制与对比学习的脑电信号分类研究

摘要

脑电信号是人脑皮层神经元突触后电位的总和，经由脑机接口在头皮表层采

集得到。事件相关电位是大脑在接受到外部刺激或执行特定任务时产生的特殊脑

电信号，用于研究人脑的认知过程和神经活动。基于深度学习的事件相关电位分

类技术为研究人类认知和感知过程提供了新途径。然而，当前的分类方法存在模

型泛化能力差、数据标注成本高等问题，且难以提取脑电信号的通道互相关特征。

为解决上述问题，本研究将改进的通道注意力模块与对比学习方法相结合，对脑

电信号特征提取效果和分类性能进行了优化。具体研究内容如下：

（1）针对脑电信号低信噪比的特性，本研究将Soft-DTW损失函数引入脑电

信号叠加平均流程，提出了单被试短距离信号叠加平均方法，从而减少了传统算

术平均方法造成的信息损耗。此外，构建了基于改进通道注意力机制的

ERP-Xception模型。该模型基于ECA+Xception的架构进行优化。首先，对ECA

模块进行了改良，通过逐级降维的方式减轻了信息压缩带来的潜在损失，有效提

取了通道权重信息；随后，对Xception结构进行了改进，精简了模型参数量并缩

减了推理时间；最后，以并联的方式引入了特征平移模块，对部分通道进行了小

ERNLRPN2PCN170N400

范围的位移，以提升模型的泛化性和鲁棒性。在、、、、

和P3六种事件相关电位数据集上，本研究分别达到了最高70.1%、84.5%、80.9%、

49.9%、93.5%和87.8%的F1-Score，验证了模型的有效性和可迁移性。

2

（）针对脑电信号数据标注成本高、类别分布不平衡等问题，本研究提出了

一种基于对比学习的无监督模型ERP-CLR。该模型基于SimCLR架构进行改进。

首先，通过SE模块自适应筛选高权重电极通道，并结合改进的ECA模块捕捉不

同通道间的相关信息。随后，采用Xception模块进行多尺度特征学习。最后，引

入快速傅里叶变换模块提取频域特征。除此之外，本研究提出了基于功率谱密度

算法的对比损失函数，以更好地量化描述信号特征的频率分布。在实验环节中，

本研究首先对编码器进行无监督预训练，随后将编码器参数固定，通过全连接层

进行有监督训练，以此检验模型效果。本研究在ERN、LRP、N2PC、N170、N400

和P3六种事件相关电位数据集上分别取得了76.8%、78.7%、79.1%、51.6%、78.6%、

86.7%的最高F1-Score，验证了损失函数和预训练模型的有效性。

关键词：脑电图，事件相关电位，通道注意力机制，对比学习

I

重庆师范大学硕士学位论文英文摘要

ResearchonEEGClassificationBasedonChannelAttention

MechanismandComparativeLearning

ABSTRACT

EEGsignalsarethesumofpost-synapticpotentialsofneuronsinthecortexofthe

humanbrain，whichareacquiredinthesuperficiallayersofthescalpviaa

brain-computerinterface.Event-relatedpotentialsarespecialEEGsignalsgeneratedby

thebrainwhenitreceivesexternalsti