基于深度学习的运动想象脑电信号识别方法

摘要

在脑电(EEG)信号分析方法中,时频分析方法综合考虑了信号的时间与频率两者的分辨率,同时改善了单纯时间域或频率域分析方法的短板。本实验使用S变换代替短时傅里叶变换将左右手运动想象脑电信号转换为二维时频图像形式,然后构建卷积神经网络-极限学习机(CNN-ELM)模型进行分类。在面对小样本训练数据时模型能力受到限制,提出一种数据增强方法,通过ACGAN对时频图像进行生成,有效丰富了训练样本数量。实验结果表明:CNN-ELM模型识别效果好,泛化能力强,进行数据增强后识别正确率得到了进一步的提升。