融入时空自适应图卷积的运动想象信号解析

• Published in: 计算机工程与应用 Vol. 60; no. 11; pp. 115 - 128
• Main Authors: 刘京, 康晓慧, 董泽浩, 李璇, 赵薇, 王余
• Format: Journal Article
• Language: Chinese
• Published: 河北师范大学 软件学院,石家庄 050024%河北师范大学 计算机与网络空间安全学院,石家庄 050024%河北师范大学 数学科学学院,石家庄 050024 01.06.2024; 河北师范大学 计算机与网络空间安全学院,石家庄 050024
• Subjects: deep learning; 运动想象; brain-computer interface; 深度学习; 图卷积; graph convolution network; motor imagery; 脑机接口
• ISSN: 1002-8331
• DOI: 10.3778/j.issn.1002-8331.2301-0173

TP391; 基于运动想象(motor imagery,MI)脑电信号的脑机接口(brain-computer interface,BCI)技术在脑卒中患者运动功能康复医疗应用中得到广泛关注和研究.然而MI信号具有低信噪比和个体差异性大的特点,导致脑电信号噪声过大从而影响分类性能.因此,如何充分提取MI信号特征以得到更高的单被试分类精度,以及如何训练一个在跨被试上表现优秀的通用模型是MI-BCI系统用于实际应用时急需解决的问题.针对该问题,提出了一种面向不同被试的时空自适应图卷积网络模型,从时空两个维度提取MI特征信号进行分类.模型包括四个模块:空间自适应图卷积模块、时间自适应图卷积模块、特征融合模块和特征分类模块.空间自适应图卷积模块通过通道间的特征相似性动态构造空间图表示,摆脱人为构造的图表示限制.时间自适应图卷积模块将脑电信号的时间序列划为多个时间片段,计算时间段间的相似性,自适应构造脑电信号的时间图表示,消除了噪声影响.最后,进行特征融合并分类.结果表明,在BCIIV2a数据集上使用10-折交叉验证的方法和HGD数据集上分别达到了90.45%和91.64%的平均分类精度,与目前性能较好的方法相比达到了更高的准确率,证明了该模型的有效性;使用迁移学习对不同个体进行实验,平均准确率提高了1.66个百分点,证明了模型的鲁棒性.