用于运动想象脑电信号分类的深度学习网络
来源：电子测量技术杂志2025年第1期北京时间：
作者：胡博，谢俊，刘俊杰，王虎
单位：新疆大学智能制造现代产业学院 乌鲁木齐 830017
摘要：运动想象（MI）脑电信号由于包含较长、连续的特征值以及其本身较强的个体差异性和较低的信噪比，导致其识别较为困难。本研究提出一种结合卷积神经网络（CNN）与Transformer的模型，旨在有效解码和分类运动想象脑电信号。该方法以原始多通道运动想象脑电信号作为输入，首先在第1个时间卷积层对信号的时域进行卷积操作，随后在第2个空间卷积层对信号的空域进行卷积操作，从而学习整个一维时间和空间卷积层的局部特征。其次，通过沿时间维度的平均池化层平滑时间特征，并将每个时间点的所有特征通道传递到注意力机制中，以提取局部时间特征中的全局相关性。最后，采用基于全连接层的简单分类器模块对脑电信号进行分类预测。通过在公开的BCI竞赛数据集IV-2a和数据集IV-2b上的实验验证，结果显示该模型可以有效分类MI脑电信号，平均分类准确率可达80.95%和84.79%，相比于EEGNet网络，平均分类准确率分别提升了6.45%和4.31%，有效的提高了运动想象诱发电位信号的脑-机接口性能。
关键词：运动想象;注意力机制;脑电信号;脑-机接口
基金资助：国家自然科学基金(52365040)项目资助
