基于MHSA-EDSCNet混合模型的运动想象多任务分类研究

摘要

运动想象脑电信号解码是脑机接口技术的关键环节。针对传统深度学习方法难以获得脑电全局信息，提出多头自注意力（MHSA）机制结合改进的深度可分离卷积网络（EDSCNet）模型，用于运动想象多任务分类。首先，通过滤波器组共空间模式提取不同子带共空间模式空域特征，准确获取运动想象脑电的细粒度特征信息；其次，利用一维卷积改进深度可分离卷积网络，进一步提取脑电局部空间信息和空间关联信息，并结合多头自注意力机制，更好地捕捉运动想象脑电特征的全局空间信息，增强特征表征能力，提高多任务分类准确率，同时可减少模型参数和计算量；最后，在BCI Competition IV2a运动想象脑电数据集对该模型进行验证和评估，并对左手、右手、双脚和舌头四类运动想象任务脑电特征进行可视化。结果表明：模型在两个运动想象四类任务数据集，分别获得95.35%和96.87%的平均分类准确率以及0.937 9和0.958 6的Kappa系数。模型特征可视化对大脑不同的运动想象任务能够显著区分，并且模型对所有被试表现出一致的性能。

关键词

脑电信号 / 深度可分离卷积 / 滤波器组共空间模式 / 多头自注意力