基于運動想象的腦機接口技術(shù)能夠建立大腦與外界之間的聯(lián)系,逐漸成為人機混合增強智能的重要應(yīng)用,并廣泛應(yīng)用于醫(yī)學(xué)康復(fù)治療等領(lǐng)域.由于腦電信號具有非線性、非平穩(wěn)和低信噪比等特點,使得準(zhǔn)確的分類運動想象腦電信號具有很大挑戰(zhàn).為此,提出一種新穎的多尺度特征提取與擠壓激勵模型對運動想象腦電信號進行高精度分類.首先,基于多尺度卷積模塊自動提取原始腦電信號的時域、頻域和時頻域特征;然后,使用殘差模塊和擠壓激勵模塊分別進行特征的融合和選擇;最后,利用全連接網(wǎng)絡(luò)層進行運動想象腦電信號的分類.實驗在2個公開的腦機接口競賽數(shù)據(jù)集上進行分析,結(jié)果表明該模型與現(xiàn)有先進模型相比,有效地提升了運動想象腦電信號的識別效果,在2個數(shù)據(jù)集上分別取得了78.0%和82.5%的平均準(zhǔn)確度,該模型可以在腦電通道較少的情況下有效地分類腦電信號且無需手動設(shè)計特征,具有較高的應(yīng)用價值. 

【文章頁數(shù)】：9 頁

【文章目錄】：
1 相關(guān)工作
2 符號定義
3 多尺度特征提取與擠壓激勵神經(jīng)網(wǎng)絡(luò)
    3.1 多尺度卷積模塊
    3.2 殘差模塊
    3.3 擠壓激勵模塊
4 實驗與結(jié)果
    4.1 評價指標(biāo)
    4.2 數(shù)據(jù)集
        1) 數(shù)據(jù)集1.BCI競賽Ⅳ
        2) 數(shù)據(jù)集2.BCI競賽Ⅳ
    4.3 實驗設(shè)置
    4.4 基準(zhǔn)模型
    4.5 與基準(zhǔn)模型的結(jié)果對比
    4.6 討論多尺度結(jié)構(gòu)中分支數(shù)對分類結(jié)果的影響
    4.7 討論擠壓激勵模塊對分類結(jié)果的影響
    4.8 討論不同通道對分類結(jié)果的影響
5 總 結(jié)


【參考文獻(xiàn)】：
期刊論文
[1]基于生理大數(shù)據(jù)的情緒識別研究進展[J]. 趙國朕,宋金晶,葛燕,劉永進,姚林,文濤.  計算機研究與發(fā)展. 2016(01)
[2]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)



本文編號：3722328