目的:提出一种基于切片滤波器组共空间模式(slice filter bank common spatial pattern,SFBCSP)的运动想象分类方法,降低脑电运动想象数据集之间的系统性差异对分类模型的影响,提升分类准确率。方法:基于SFBCSP进行运动想象分类,首先对...目的:提出一种基于切片滤波器组共空间模式(slice filter bank common spatial pattern,SFBCSP)的运动想象分类方法,降低脑电运动想象数据集之间的系统性差异对分类模型的影响,提升分类准确率。方法:基于SFBCSP进行运动想象分类,首先对原始脑电信号进行预处理,其次通过带通滤波器和滑动窗口将脑电信号切分为不同频带和时间片段,然后利用空间滤波器提取脑电信号不同电极通道之间的空域特征,最后对多维度特征进行筛选和分类。利用神经信息处理系统大会提供的竞赛数据集对SFBCSP方法与脑电神经网络EEGNet、卷积循环注意力模型(convolutional recurrent attention model,CRAM)、共空间模式(common spatial pattern,CSP)和滤波器组共空间模式(filter bank common spatial pattern,FBCSP)的分类准确率进行比较。结果:提出的SFBCSP方法平均分类准确率均高于EEGNet、CRAM、CSP和FBCSP,相较于FBCSP,SFBCSP在单个数据集、跨数据集和混合数据集上的平均分类准确率分别提升了7.26%、5.16%和1.96%。结论:所提出的SFBCSP方法能够降低跨数据集的系统性差异对分类模型的影响,对运动想象和脑机接口的研究具有重要意义。展开更多
文摘目的:提出一种基于切片滤波器组共空间模式(slice filter bank common spatial pattern,SFBCSP)的运动想象分类方法,降低脑电运动想象数据集之间的系统性差异对分类模型的影响,提升分类准确率。方法:基于SFBCSP进行运动想象分类,首先对原始脑电信号进行预处理,其次通过带通滤波器和滑动窗口将脑电信号切分为不同频带和时间片段,然后利用空间滤波器提取脑电信号不同电极通道之间的空域特征,最后对多维度特征进行筛选和分类。利用神经信息处理系统大会提供的竞赛数据集对SFBCSP方法与脑电神经网络EEGNet、卷积循环注意力模型(convolutional recurrent attention model,CRAM)、共空间模式(common spatial pattern,CSP)和滤波器组共空间模式(filter bank common spatial pattern,FBCSP)的分类准确率进行比较。结果:提出的SFBCSP方法平均分类准确率均高于EEGNet、CRAM、CSP和FBCSP,相较于FBCSP,SFBCSP在单个数据集、跨数据集和混合数据集上的平均分类准确率分别提升了7.26%、5.16%和1.96%。结论:所提出的SFBCSP方法能够降低跨数据集的系统性差异对分类模型的影响,对运动想象和脑机接口的研究具有重要意义。
