基于改进StackCNN网络和集成学习的脑电信号视觉分类算法

作     者：杨青 王亚群 文斗 王莹 王翔宇 YANG Qing;WANG Yaqun;WEN Dou;WANG Ying;WANG Xiangyu

作者机构：华中师范大学人工智能与智慧学习湖北省重点实验室湖北武汉430079 华中师范大学计算机学院湖北武汉430079 华中师范大学国家语言资源监测与研究网络媒体中心湖北武汉430079 

出 版 物：《郑州大学学报（工学版）》 (Journal of Zhengzhou University（Engineering Science）)

年 卷 期：2024年第45卷第5期

页      面：69-76页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：湖北省重点研发计划项目(2020BAB017) 武汉市科技计划项目(2019010701011392) 国家语委科研中心项目(ZDI135-135) 

主　　题：脑电图 视觉分类 卷积神经网络 Bagging算法 ResNet网络 

摘      要：针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(ResNet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。