科研之友
微信
新浪微博
Facebook
分享链接
摘要
运动想象脑机接口（Motor Imagery Brain Computer Interface,MI-BCI）技术近年来在医疗康复、娱乐等许多领域得到了广泛的运用。然而，如何处理非平稳的脑电信号（Electroencephalography,EEG），并从中提取可辨识的特征并分类仍然是主要难点之一。针对这个问题，本研究提出了一种基于二次型时频分布（Quadratic timefrequency distributions,QTFD）和密接型网络（DenseNet）的新型MI-EEG分类模型。具体地，我们首先使用QTFD初步提取MI任务相关的脑电时频特征，并构造得到EEG片段的高分辨率时频表示。常用的线性时频分析方法往往会忽略部分非线性信息，难以准确地描述MI信号的能量分布。与线性时频分析方法相比，QTFD方法以二次型变换的形式将信号从时域投影到时频域，能更好地描述信号的能量分布，其对时间和频率的变化具有不变性，能提供较为稳定准确的时频特征。随后，本研究采用了轻量级网络模型DenseNet对时频表示的浅层和深层特征进行逐级提取并整合。DenseNet可训练参数量较少，适用于数据量较少的MI-BCI应用，它在每层网络之间都建立了直接的连接，每一层网络都可以访问之前所有网络的特征图，从而得到更具有区分性的特征表示。最后，本研究在BCI竞赛IV数据集上进行了实验验证，将提出的分类模型与各先进对比算法进行了比较。结果表明，我们所提出的方法在使用脑电通道数更少的情况下，获得了更好的分类性能。
- 出版日期2023
- 单位华东理工大学; 华东理工大学深圳研究院
