基于OEDCNet的运动想象脑电信号分类算法

摘要

针对运动想象脑电样本量不足、跨通道冗余，导致传统模型特征提取不充分的问题，提出一种用于运动想象脑电信号分类的OEDCNet算法。首先提出重叠分段重组的方式优化数据增强策略，通过对原始脑电信号进行重叠分割与重组处理，在扩充样本量的同时缓解过拟合风险，得到增强后的样本数据。然后利用高效通道注意力模块为不同的通道分配最优权重，并抑制冗余通道的干扰信息。通过对EEGNet方法进行改进，提出因果膨胀卷积神经网络模型，实现多尺度特征提取与长时序依赖感知。最终构建的OEDCNet模型在BCI Competition IV-2a数据集上的平均准确率为77.08%,Kappa值为0.689，优于其他模型。结果表明所提的OEDCNet方法具备更优的分类效果，可为运动想象脑电信号的研究提供新的技术路径。

关键词

脑电信号 / 运动想象 / 重叠分段重组 / 高效通道注意力 / 因果膨胀卷积神经网络