基于微分熵与深度残差网络的脑电信号情感识别

现有的脑电信号情感识别方法大多是挑选出与情感变化相关度较大的几个单导联脑电信号进行特征提取与选择。针对脑电信号情感识别中没有考虑到导联间存在的整体空间拓扑结构问题,提出一种基于微分熵与深度残差网络的识别方法。该方法将全部导联脑电信号作为一个整体,把各个频带(全频段、γ段、β段和α段)的微分熵特征按照相应的电极空间位置、频段顺序映射为脑电信号微分熵二维特征;利用深度残差网络实现二维特征的自动提取,以充分利用各个导联的脑电信号信息,挖掘导联间隐匿的空间拓扑结构特征。在国际公开数据集SEED上的仿真实验结果表明,该方法的识别平均准确率可以达到95.10%。

基于卷积注意力机制的运动想象脑电信号识别

针对多类别运动想象脑电信号识别精度不高的问题,提出了一种融合注意力模块的卷积神经网络模型。该模型利用注意力模块充分挖掘脑电信号的通道和空间特征,建立其与识别任务之间的重要程度关系,从而提高运动想象脑电信号的识别准确率。信号经过共空间模式提高信噪比,利用小波变换将信号转换成二维时频图,通过注意力模块中通道和空间两个维度进行特征的调整,以强化有用特征弱化无用特征,使卷积网络充分提取更高层次的抽象特征,并最终执行运动想象任务的识别。分别在BCI竞赛IVDatasets 2a和BCI竞赛III-IIIa数据集上进行了有效性评价,并与卷积神经网络以及其他算法进行了比较。实验结果表明,提出的方法可达到良好的准确率,能够有效提高脑电信号运动想象任务的识别准确率。