基于MCSANet网络的运动想象脑电分类

针对传统深度学习方法在解码脑电信号时可能存在的特征挖掘不足及利用不充分问题,提出一种并行多尺度时间卷积结合滑动窗口技术与注意力机制的深度学习模型,即MCSANet。首先,利用并行多尺度时间卷积有效捕获脑电信号在不同时间尺度下的时域特征和空域特征;再利用滑动窗口切片技术对特征序列进行划分,增加特征序列样本数;之后,每部分特征序列样本都通过多头自注意力机制分配权重并加以融合,进一步突显出更多关键特征;最后,全连接层和SoftMax层共同协作,对捕获到的特征进行深入学习和精准分类。为了验证该模型的性能,在BCICIV-2a数据集上进行了详尽的实验分析。结果表明,所有受试者的平均分类准确率都高达81.69%,验证了所提出的方法在挖掘脑电深层潜在特征、提升运动想象脑电分类性能方面的有效性。

资料为PDF文档格式.

本文档关键词:想象,网络,运动,MCSANet,脑电分类