基于通道组合-数据对齐-多尺度全局CNN的MI-EEG分类

被引：0

作者：

武岩 ^{[1
,2
]}

满建志 ^{[1
]}

宋雨 ^{[1
]}

李奇 ^{[1
,2
]}

机构：

[1] 长春理工大学计算机科学技术学院

[2] 长春理工大学中山研究院

来源：

重庆理工大学学报(自然科学) | 2024年 / 38卷 / 03期

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;

D O I：

暂无

中图分类号：

TN911.7 [信号处理]; TP183 [人工神经网络与计算]; R318 [生物医学工程];

学科分类号：

0711 ; 080401 ; 080402 ; 0831 ;

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(channel combination, CC)-数据对齐(euclidean space data alignment, EA)-多尺度全局卷积神经网络(multiscale global convolutional neural network, 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BCI Competition IV 2a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。

引用

页码：102 / 112

页数：11

共 18 条

[1]

脑机接口技术的应用、产业转化和商业价值.[J].罗建功;丁鹏;龚安民;田贵鑫;徐浩天;赵磊;伏云发;.生物医学工程学杂志.2022, 02

[2] 运动想象脑电信号的跨域特征学习方法 [J].

韦泓妤 ;

陈黎飞 ;

罗天健 .

计算机应用研究, 2022, 39 (08) :2340-2346+2351

[3]

mSODANet: A network for multi-scale object detection in aerial images using hierarchical dilated convolutions.[J].Chalavadi Vishnu;Jeripothula Prudviraj;Datla Rajeshreddy;Ch Sobhan Babu;C Krishna Mohan.Pattern Recognition.2022,

[4] Transfer learning for medical image classification: a literature review [J].

Kim, Hee E. ;

Cosa-Linan, Alejandro ;

Santhanam, Nandhini ;

Jannesari, Mahboubeh ;

Maros, Mate E. ;

Ganslandt, Thomas .

BMC MEDICAL IMAGING, 2022, 22 (01)

[5] A Two-Branch CNN Fusing Temporal and Frequency Features for Motor Imagery EEG Decoding [J].

Yang, Jun ;

Gao, Siheng ;

Shen, Tao .

ENTROPY, 2022, 24 (03)

[6]

A 1D CNN for high accuracy classiﬁcation and transfer learning in motor imagery EEG-based brain-computer interface..[J].Mattioli Francesco;Porcaro Camillo;Baldassarre Gianluca.Journal of neural engineering.2021, 6

[7] A channel-mixing convolutional neural network for motor imagery EEG decoding and feature visualization [J].

Ma, Weifeng ;

Gong, Yifei ;

Zhou, Gongxue ;

Liu, Yang ;

Zhang, Lei ;

He, Boxian .

BIOMEDICAL SIGNAL PROCESSING AND CONTROL, 2021, 70 (70)

[8]

Deep learning techniques for classification of electroencephalogram (EEG) motor imagery (MI) signals: a review.[J].Altaheri; Hamdi;Muhammad; Ghulam;Alsulaiman; Mansour;Amin; Syed Umar;Altuwaijri; Ghadir Ali;Abdul; Wadood;Bencherif; Mohamed A.;Faisal; Mohammed.Neural Computing and Applications.2021, prepublish

[9] Automatic feature extraction and fusion recognition of motor imagery EEG using multilevel multiscale CNN [J].

Li, Ming-ai ;

Han, Jian-fu ;

Yang, Jin-fu .

MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING, 2021, 59 (10) :2037-2050

[10] Two-branch 3D convolutional neural network for motor imagery EEG decoding [J].

Yang, Lie ;

Song, Yonghao ;

Jia, Xueyu ;

Ma, Ke ;

Xie, Longhan .

JOURNAL OF NEURAL ENGINEERING, 2021, 18 (04)

← 1 2 →