基于数据增强的运动想象脑电分类

摘要

针对运动想象脑电(MI‑EEG)多分类问题,在已有研究的基础上进行改进,构建了基于深度可分离卷积的轻量级卷积神经网络(L‑Net)和轻量级混合网络(LH‑Net),并在BCI竞赛Ⅳ-2a四分类数据集上进行了实验和分析,结果表明:L‑Net比LH‑Net可以更快地拟合数据,训练时间更短;但LH‑Net的稳定性比L‑Net更好,在测试集上的分类性能具有更好的稳健性,平均准确率和平均Kappa系数比L‑Net分别提高了3.6个百分点和4.8个百分点。为了进一步提升模型分类性能,采用了基于时频域的高斯噪声添加新方法对训练样本进行数据增强(DA),并针对噪声的强度进行了仿真验证,推测出了两种模型的最优噪声强度的取值范围。仿真结果表明使用了该数据增强方法后,两种模型的平均准确率最少提高了4个百分点,四分类效果均得到了明显提升。