基于CAPTCNet的运动想象脑电分类

为了能够充分利用运动想象脑电信号(MI-EEG)中的各种特征信息,提高运动想象脑电信号的解码精度,文中提出一种基于坐标注意力的混合特征提取和多尺度并行的时间卷积网络(CAPTCNet)。该网络主要包括三个模块:混合特征提取模块通过多层卷积提取运动想象脑电信号中浅层的时域特征和空域特征;坐标注意力模块突出运动想象脑电信号中最有价值的信息;并行多尺度时间卷积模块用于提取不同尺度更深层次的时域特征。所设计的网络模型在数据集BCI CompetitionⅣ-2a上测试结果的平均准确率为84.14%,平均Kappa系数为0.79。实验结果表明,所提方法和其他方法相比,具有更高的分类准确率和更好的Kappa系数。消融实验进一步说明了各个模块的有效性,其中并行多尺度时间卷积模块对于提高模型的性能贡献最大。

资料为PDF文档格式.

本文档关键词:想象,运动,CAPTCNet,脑电分类