基于GAF和混合模型的运动想象分类研究

摘要

针对运动想象脑-机接口的分类识别问题，提出了一种结合格拉姆角场理论、卷积神经网络（Convolutional Neural Networks, CNN）和长短期记忆网络（Long Short-Term Memory, LSTM）的新模型。首先，分别使用格拉姆角场中的格拉姆角和场与格拉姆角差场算法将一维运动想象脑电信号表示为二维图像；然后，设计针对性的浅层CNN和LSTM相结合的模型来识别该图像特征，从而完成运动想象分类。在BCI Competition IV 2a公开数据集上就运动想象任务进行了四分类验证。实验结果表明，在单被试和多被试的情况下，GASF-CNN-LSTM模型和GADF-CNN-LSTM模型相比其他模型性能提升显著，准确率均达87.66%以上，最高准确率可达99.09%。且针对运动功能障碍患者数据也能表现出良好的性能。对运动想象脑电信号的时间依赖性和对应特征的图像生成表征方法进行了探讨，为运动想象脑电信号特征挖掘提供了新思路。

关键词

脑-机接口 / 运动想象 / 格拉姆角和场 / 格拉姆角差场 / 卷积神经网络