基于深度学习的运动想象脑电信号分类算法研究.pdf

基于深度学习的运动想象脑电信号分类算法研究

摘要

运动想象脑机接口系统检测用户运动意图的大脑神经活动，并将其转化为命令输出，

具有广泛的应用前景。但由于非侵入式脑机接口系统的信号携带噪声，信噪比较低，因

此，如何对脑电信号进行预处理、特征提取和分类从而能够更加准确地解码信号是分类

任务的重难点。本文改进深度学习模型，提出了多域融合特征算法提升运动想象脑电信

号的分类准确率，再结合通道选择优化算法提高模型精度的同时降低模型复杂度。本文

的主要工作如下：

脑电信号特征信息具有不同维度和内源关联性，针对传统特征提取方式单一、融合

不充分、未关注特征表达方式等问题，提出一种基于多域特征融合的运动想象脑电信号

分类算法。首先对原始数据通过独立成分分析等预处理实验减弱噪声，提高信噪比。在

解码阶段，先用EEGNet模型学习预处理信号的频率信息和通道间的空间域信息，同时

继承EEGNet轻量化鲁棒性的优势；再将EEGNet输出的包含时间信息的特征图并行输

入TCN和LSTM中来重点关注时域特征；最后将上一步得到的两个具有辨识度的局部

特征进行拼接融合，形成了包含运动想象信号时域、频率和空间域的全局信息特征图，

输出分类结果。通过对比实验、消融实验和可视化实验验证了提出的多域特征融合算法

具有较高的分类准确率，解决了EEGNet模型的时域信息提取不充分问题。

为了更充分利用电极通道的有效信息同时减少不相关通道对分类结果的影响，进一

步提升运动想象信号分类准确率，提出了一种基于多通道选择优化算法ReliefF-MR的

运动想象脑电信号分类算法。该算法结合了ReliefF和mRMR算法的优点，可以过滤掉

不相关或者冗余的通道，选择出有利于提升模型分类准确率的最优通道组合，通过将最

优通道组合作为多域特征融合模型的输入，可以降低模型输入参数个数，并提高模型分

类准确率。为验证所提通道选择优化算法的有效性和鲁棒性，在两个通道总数不同的数

据集下对比常见的通道选择算法的最优通道数和对模型准确率的影响，并进行了消融实

验和最优通道分布的可视化分析，结果表明，所提通道选择算法在两个数据集下均有很

好的分类效果。

关键词：运动想象；脑机接口；多域特征融合；通道选择优化

基于深度学习的运动想象脑电信号分类算法研究

Abstract

Themotorimagerybrain-computerinterfacesystemdetectsthebrainneuralactivityofthe

usersmotorintentionandtranslatesitintocommandoutput,whichhasawiderangeof

applications.However,sincethesignalsofnon-invasivebrain-computerinterfacesystemscarry

noiseandhavelowsignal-to-noiseratios,howtopreprocess,featureextractandclassifythe

EEGsignalssoastobeabletodecodethesignalsmoreaccuratelyisamajordifficultyinthe

classificationtask.Inthispaper,weimprovethedeeplearningmodelandproposeamulti-

domainfusionfeaturealgorithmtoimprovetheclassificationaccuracyofmotorimageryEEG

signals,whichiscombinedwithachannelselectionoptimizationalgorithmtoimprovethe

modelaccuracy