基于注意力机制和深度学习的群体语言想象脑电信号分类

为了提高群体语言想象脑电信号的分类准确率,提出基于卷积块注意力模块(CBAM)和Inception-V4卷积神经网络的分类方法,其中CBAM被用于关注重要的局部区域,从卷积神经网络(CNN)输出的特征图中提取更加独特的特征,从而提升群体语言想象脑电信号的分类性能.该方法首先利用短时傅里叶变换将群体语言想象脑电信号转换为时频图,然后使用这些图片对融合了CBAM机制的Inception-V4网络进行训练.开源数据集上的实验结果表明,所提出的方法使得6类短词的分类准确率达到了52.2%,与基于Inception-V4的分类方法相比,分类准确率提高了4.1个百分点,与基于VGG-16的分类方法相比,分类准确率提高了5.9个百分点.使用迁移学习也能够大幅缩短训练所需的时间.