基于希尔伯特变换联合卷积神经网络的脑电信号识别方法

来源：计算机测量与控制杂志2021年第12期北京时间：

作者：甘华生,陈明生

摘要：传统运动想象脑电信号(Electro Encephalogram Gram, EEG)识别方法需要人为提取大量特征，识别性能受研究人员经验影响较大，主观性强。提出一种基于希尔伯特变换(Hilbert Transform，HT)联合卷积神经网络(Convolution Neural Network, CNN)的运动想象脑电信号自动识别方法，首先利用HT对原始EEG信号进行分析，实现一维数据向二维幅-相图像转换的同时增加信息提取维度；然后将其作为输入利用CNN层次化的对幅-相二维图像进行理解和解译，自动提取特征并完成分类识别，基于BCI竞赛中所用Graz数据集开展试验，结果表明相对于传统特征提取方法，所提算法在低、中、高信噪比条件下均能获得更好的识别性能，具有更强的噪声鲁棒性。

关键词：脑机接口;深度学习;特征提取;卷积神经网络

基金资助：广东省普通高校青年创新人才项目,项目名称：基于计算机视觉和深度学习的游戏监控系统的研究（项目编号：2018GkQNCX086）