多模型融合的时空特征运动想象脑电解码方法

作     者：凌六一 李卫校 冯彬 Ling Liuyi;Li Weixiao;Feng Bin

作者机构：安徽理工大学电气与信息工程学院淮南232001 安徽理工大学人工智能学院淮南232001 

出 版 物：《南京大学学报（自然科学版）》 (Journal of Nanjing University（Natural Science）)

年 卷 期：2024年第60卷第1期

页      面：65-75页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 0711[理学-系统科学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0836[工学-生物工程] 

基　　金：安徽理工大学环境友好材料与职业健康研究院(芜湖)研发专项(ALW2022YF06) 安徽高校协同创新项目(GXXT-2022-053) 

主　　题：概率稀疏注意力 运动想象 卷积神经网络 时间卷积网络 

摘      要：运动想象脑电(Motor Imagery Electroencephalogram,MI-EEG)已经应用在脑机接口(Brain Computer Interface,BCI)中,能帮助上下肢功能障碍的患者进行康复训练.然而,现有技术对MI-EEG低效的解码性能和对MI-EEG过度依赖预处理的方式限制了BCI的广泛发展.提出了一种多模型融合的时空特征运动想象脑电解码方法(Multi-model Fusion Temporal-spatial Feature Motor Imagery EEG Decoding Method,MMFTSF).MMFTSF使用时空卷积网络提取MI-EEG中浅层信息特征,使用多头概率稀疏自注意力机制关注MI-EEG中最具有价值的信息特征,使用时间卷积网络提取MI-EEG高维时间特征,使用带有softmax分类器的全连接层对MI-EEG进行分类,并利用基于卷积的滑动窗口和空间信息增强模块进一步提升MI-EEG解码性能.在公开的BCI竞赛数据集IV-2a上进行验证.实验结果表明,MMFTSF在数据集上达到89.03%的解码准确度,在MI-EEG分类任务中具有理想的分类性能.