摘要:
运动想象脑电信号(EEG)的模式识别方法,一直是无创脑机接口领域的重要研究方向之一.近年来,深度学习进一步提升了运动想象EEG信号的识别准确率,但面对EEG信号较强的时变性,依然存在训练样本不足和特征维度太高等问题.针对上述问题,本文提出了一种新型的重叠时间切片训练策略,在现有的时间切片策略基础上(cropped),采用重叠的时间切片策略(overlapped),并基于重叠时间切片集合构建了全新的损失函数计算和标签预测方法.采用重叠时间切片策略,不但能够进一步提升训练样本数量,还可以降低单个样本特征空间,从而提升深度神经网络在EEG信号识别中的性能.为了验证overlapped策略的可行性与有效性,本文选择了BCI CompetitionⅣdataset 1,2a和2b三个开源EEG信号数据集,在数据集上分别建立5种深度神经网络模型,并对比cropped策略与overlapped策略的运动想象识别性能与效率.实验结果表明,overlapped策略较cropped策略拥有更好的识别性能.最后,通过调整重叠时间切片策略的参数值,设计了9组不同参数组合的对比实验,实验结果表明不同的参数组合会影响最终的分类性能,且分类性能的好坏并不与效率的高低呈线性关系.本文提出的overlapped策略在CompetitionⅣdataset 1,2a和2b数据集上的识别准确率分别达到了92.3%、77.8%和86.3%,较传统策略有明显的性能提升,效率却不一定降低.