As a new means of information communication and control,brain computer interface (BCI) is an interdisciplinary research topic involving neuroscience,signal processing and pattern recognition. The BCI system based on motor imagination is regarded as one of the most promising BCI systems. The traditional electroencephalogram (EEG) classification methods based on machine learning complete the classification task by constructing the mapping relationship between EEG features and motor imagery. However,the existing methods still have problems that cannot take into account the time⁃spatial feature of EEG signals,and the classification accuracy is difficult to improve. In this paper,a motor imagery EEG classification method is constructed based on deep learning,and through the way of combining Bi⁃directional Long Short⁃Term Memory (LSTM) based on attention mechanism (ABiLSTM) with Convolutional Neural Network (CNN) to extract more in⁃depth characteristic of EEG signals. Based on the above research,the ABiLSTM⁃CNN has achieved an average accuracy of 90.72% on EEG Motor Imagery dataset. The results show that the ABiLSTM⁃CNN motor imagery EEG signal classification model has ideal classification performance.
Keywords:deep learning
;
attention mechanism
;
BiLSTM
;
CNN
;
EEG signal
;
motor imagery
Zhang Wei, Zhao Yonghong, Qiu TaoRong. Classification of motor imagery EEG signals based on attention mechanism and deep learning. Journal of nanjing University[J], 2022, 58(1): 29-37 doi:10.13232/j.cnki.jnju.2022.01.004
随着脑认知科学研究的不断深入和信号处理技术的飞速发展,人们发现脑电信号(Electroencephalogram,EEG)与人类思维存在必然联系.1987年Gandevia and Rothwell[4]的研究表明仅通过想象运动的过程就可以在对应的脑区中检测到对应的生物电信号,并且电信号也会跟随想象进行运动的肢体动作的不同而产生不同的变化,基于运动想象的脑机接口系统(Brain Computer Interface,BCI)就在此结论的基础上实现[5].除康复医学领域外,各国还致力于将BCI系统应用到军事、娱乐、无人驾驶、环境控制等领域[6-7]中,并取得了令人兴奋的研究成果.
Ye et al[10]引入核主成分分析(Kernel Principal Component Analysis,KPCA)等方法分析脑电信号的多种熵特征,提出基于熵结合KPCA的疲劳驾驶状态识别算法.Anderson et al[11]利用延时嵌入(Time⁃Delay Embedding,TDE)来获取脑电信号的时空间特征.Lemm et al[12]使用共空间模式(Common Spatial Pattern,CSP)进行特征提取,配合线性判别分析算法(Linear Discriminant Analysis,LDA)完成运动想象信号分类任务,分类性能不错.Subasi and Gursoy[13]引入主成分分析(Principal Component Analysis,PCA)以及线性判别分析等方法完成特征提取并选择支持向量机实现EEG分类,实验获得了高达98%的准确率.Alomari et al[14]将Coiflet小波分析与不同幅度的估计器相结合,从运动想象脑电信号中提取小波系数的许多特征,分别结合支持向量机(Support Vector Machine,SVM)以及人工神经网络(Artificial Neural Network,ANN)在二分类与四分类的运动想象任务中实现了良好的分类性能.Kalavani et al[15]将离散小波变换(Discrete Wavelet Transform,DWT)方法应用于分解脑电信号,并提取EEG信号的时频域特征配合K⁃means聚类方法用于检测大脑是否正常,测试实验中该方法得到的最高准确率为83.3%.Kim et al[16]提出共空间模式结合线性判别分析的脑电信号分析方法,可以从空间域描述脑电信号携带的内在信息,并达到74.7%的平均准确率.
注意力机制是受人类视觉系统的启发而来,可以使神经网络具备聚焦于某种特定子集(输入或特征)的能力,在计算机视觉、自然语言处理和神经机器翻译等领域都有重要的作用.Bahdanau et al[23]引入注意力机制,通过自上而下的信息选择机制来过滤大量的无关信息,对重要特征增加权重来衡量重要程度.在针对脑电信号的研究中并非所有特征信息的重要性都是相同的,因此在BiLSTM网络中引入注意力机制,对BiLSTM层的输出赋予不同的权值可以更好地聚焦到脑电信号的重要特征信息上,从而有效地提升模型的分类效果.
Research on recognition method of driving fatigue state based on sample entropy and kernel principal component analysis
1
2018
... Ye et al[10]引入核主成分分析(Kernel Principal Component Analysis,KPCA)等方法分析脑电信号的多种熵特征,提出基于熵结合KPCA的疲劳驾驶状态识别算法.Anderson et al[11]利用延时嵌入(Time⁃Delay Embedding,TDE)来获取脑电信号的时空间特征.Lemm et al[12]使用共空间模式(Common Spatial Pattern,CSP)进行特征提取,配合线性判别分析算法(Linear Discriminant Analysis,LDA)完成运动想象信号分类任务,分类性能不错.Subasi and Gursoy[13]引入主成分分析(Principal Component Analysis,PCA)以及线性判别分析等方法完成特征提取并选择支持向量机实现EEG分类,实验获得了高达98%的准确率.Alomari et al[14]将Coiflet小波分析与不同幅度的估计器相结合,从运动想象脑电信号中提取小波系数的许多特征,分别结合支持向量机(Support Vector Machine,SVM)以及人工神经网络(Artificial Neural Network,ANN)在二分类与四分类的运动想象任务中实现了良好的分类性能.Kalavani et al[15]将离散小波变换(Discrete Wavelet Transform,DWT)方法应用于分解脑电信号,并提取EEG信号的时频域特征配合K⁃means聚类方法用于检测大脑是否正常,测试实验中该方法得到的最高准确率为83.3%.Kim et al[16]提出共空间模式结合线性判别分析的脑电信号分析方法,可以从空间域描述脑电信号携带的内在信息,并达到74.7%的平均准确率. ...
Reliable identification of mental tasks using time?embedded EEG and sequential evidence accumulation
1
2011
... Ye et al[10]引入核主成分分析(Kernel Principal Component Analysis,KPCA)等方法分析脑电信号的多种熵特征,提出基于熵结合KPCA的疲劳驾驶状态识别算法.Anderson et al[11]利用延时嵌入(Time⁃Delay Embedding,TDE)来获取脑电信号的时空间特征.Lemm et al[12]使用共空间模式(Common Spatial Pattern,CSP)进行特征提取,配合线性判别分析算法(Linear Discriminant Analysis,LDA)完成运动想象信号分类任务,分类性能不错.Subasi and Gursoy[13]引入主成分分析(Principal Component Analysis,PCA)以及线性判别分析等方法完成特征提取并选择支持向量机实现EEG分类,实验获得了高达98%的准确率.Alomari et al[14]将Coiflet小波分析与不同幅度的估计器相结合,从运动想象脑电信号中提取小波系数的许多特征,分别结合支持向量机(Support Vector Machine,SVM)以及人工神经网络(Artificial Neural Network,ANN)在二分类与四分类的运动想象任务中实现了良好的分类性能.Kalavani et al[15]将离散小波变换(Discrete Wavelet Transform,DWT)方法应用于分解脑电信号,并提取EEG信号的时频域特征配合K⁃means聚类方法用于检测大脑是否正常,测试实验中该方法得到的最高准确率为83.3%.Kim et al[16]提出共空间模式结合线性判别分析的脑电信号分析方法,可以从空间域描述脑电信号携带的内在信息,并达到74.7%的平均准确率. ...
Spatio?spectral filters for improving the classification of single trial EEG
1
2005
... Ye et al[10]引入核主成分分析(Kernel Principal Component Analysis,KPCA)等方法分析脑电信号的多种熵特征,提出基于熵结合KPCA的疲劳驾驶状态识别算法.Anderson et al[11]利用延时嵌入(Time⁃Delay Embedding,TDE)来获取脑电信号的时空间特征.Lemm et al[12]使用共空间模式(Common Spatial Pattern,CSP)进行特征提取,配合线性判别分析算法(Linear Discriminant Analysis,LDA)完成运动想象信号分类任务,分类性能不错.Subasi and Gursoy[13]引入主成分分析(Principal Component Analysis,PCA)以及线性判别分析等方法完成特征提取并选择支持向量机实现EEG分类,实验获得了高达98%的准确率.Alomari et al[14]将Coiflet小波分析与不同幅度的估计器相结合,从运动想象脑电信号中提取小波系数的许多特征,分别结合支持向量机(Support Vector Machine,SVM)以及人工神经网络(Artificial Neural Network,ANN)在二分类与四分类的运动想象任务中实现了良好的分类性能.Kalavani et al[15]将离散小波变换(Discrete Wavelet Transform,DWT)方法应用于分解脑电信号,并提取EEG信号的时频域特征配合K⁃means聚类方法用于检测大脑是否正常,测试实验中该方法得到的最高准确率为83.3%.Kim et al[16]提出共空间模式结合线性判别分析的脑电信号分析方法,可以从空间域描述脑电信号携带的内在信息,并达到74.7%的平均准确率. ...
EEG signal classification using PCA,ICA,LDA and support vector machines
1
2010
... Ye et al[10]引入核主成分分析(Kernel Principal Component Analysis,KPCA)等方法分析脑电信号的多种熵特征,提出基于熵结合KPCA的疲劳驾驶状态识别算法.Anderson et al[11]利用延时嵌入(Time⁃Delay Embedding,TDE)来获取脑电信号的时空间特征.Lemm et al[12]使用共空间模式(Common Spatial Pattern,CSP)进行特征提取,配合线性判别分析算法(Linear Discriminant Analysis,LDA)完成运动想象信号分类任务,分类性能不错.Subasi and Gursoy[13]引入主成分分析(Principal Component Analysis,PCA)以及线性判别分析等方法完成特征提取并选择支持向量机实现EEG分类,实验获得了高达98%的准确率.Alomari et al[14]将Coiflet小波分析与不同幅度的估计器相结合,从运动想象脑电信号中提取小波系数的许多特征,分别结合支持向量机(Support Vector Machine,SVM)以及人工神经网络(Artificial Neural Network,ANN)在二分类与四分类的运动想象任务中实现了良好的分类性能.Kalavani et al[15]将离散小波变换(Discrete Wavelet Transform,DWT)方法应用于分解脑电信号,并提取EEG信号的时频域特征配合K⁃means聚类方法用于检测大脑是否正常,测试实验中该方法得到的最高准确率为83.3%.Kim et al[16]提出共空间模式结合线性判别分析的脑电信号分析方法,可以从空间域描述脑电信号携带的内在信息,并达到74.7%的平均准确率. ...
... Ye et al[10]引入核主成分分析(Kernel Principal Component Analysis,KPCA)等方法分析脑电信号的多种熵特征,提出基于熵结合KPCA的疲劳驾驶状态识别算法.Anderson et al[11]利用延时嵌入(Time⁃Delay Embedding,TDE)来获取脑电信号的时空间特征.Lemm et al[12]使用共空间模式(Common Spatial Pattern,CSP)进行特征提取,配合线性判别分析算法(Linear Discriminant Analysis,LDA)完成运动想象信号分类任务,分类性能不错.Subasi and Gursoy[13]引入主成分分析(Principal Component Analysis,PCA)以及线性判别分析等方法完成特征提取并选择支持向量机实现EEG分类,实验获得了高达98%的准确率.Alomari et al[14]将Coiflet小波分析与不同幅度的估计器相结合,从运动想象脑电信号中提取小波系数的许多特征,分别结合支持向量机(Support Vector Machine,SVM)以及人工神经网络(Artificial Neural Network,ANN)在二分类与四分类的运动想象任务中实现了良好的分类性能.Kalavani et al[15]将离散小波变换(Discrete Wavelet Transform,DWT)方法应用于分解脑电信号,并提取EEG信号的时频域特征配合K⁃means聚类方法用于检测大脑是否正常,测试实验中该方法得到的最高准确率为83.3%.Kim et al[16]提出共空间模式结合线性判别分析的脑电信号分析方法,可以从空间域描述脑电信号携带的内在信息,并达到74.7%的平均准确率. ...
... Classification accuracy of ABiLSTM⁃CNN and other algorithms on MID⁃a datasetTable 5
Analysis of EEG signal for the detection of brain abnormalities
2
2014
... Ye et al[10]引入核主成分分析(Kernel Principal Component Analysis,KPCA)等方法分析脑电信号的多种熵特征,提出基于熵结合KPCA的疲劳驾驶状态识别算法.Anderson et al[11]利用延时嵌入(Time⁃Delay Embedding,TDE)来获取脑电信号的时空间特征.Lemm et al[12]使用共空间模式(Common Spatial Pattern,CSP)进行特征提取,配合线性判别分析算法(Linear Discriminant Analysis,LDA)完成运动想象信号分类任务,分类性能不错.Subasi and Gursoy[13]引入主成分分析(Principal Component Analysis,PCA)以及线性判别分析等方法完成特征提取并选择支持向量机实现EEG分类,实验获得了高达98%的准确率.Alomari et al[14]将Coiflet小波分析与不同幅度的估计器相结合,从运动想象脑电信号中提取小波系数的许多特征,分别结合支持向量机(Support Vector Machine,SVM)以及人工神经网络(Artificial Neural Network,ANN)在二分类与四分类的运动想象任务中实现了良好的分类性能.Kalavani et al[15]将离散小波变换(Discrete Wavelet Transform,DWT)方法应用于分解脑电信号,并提取EEG信号的时频域特征配合K⁃means聚类方法用于检测大脑是否正常,测试实验中该方法得到的最高准确率为83.3%.Kim et al[16]提出共空间模式结合线性判别分析的脑电信号分析方法,可以从空间域描述脑电信号携带的内在信息,并达到74.7%的平均准确率. ...
... Classification accuracy of ABiLSTM⁃CNN and other algorithms on MID⁃a datasetTable 5
A comparison of classification performance among the various combinations of motor imagery tasks for brain?computer interface
1
2013
... Ye et al[10]引入核主成分分析(Kernel Principal Component Analysis,KPCA)等方法分析脑电信号的多种熵特征,提出基于熵结合KPCA的疲劳驾驶状态识别算法.Anderson et al[11]利用延时嵌入(Time⁃Delay Embedding,TDE)来获取脑电信号的时空间特征.Lemm et al[12]使用共空间模式(Common Spatial Pattern,CSP)进行特征提取,配合线性判别分析算法(Linear Discriminant Analysis,LDA)完成运动想象信号分类任务,分类性能不错.Subasi and Gursoy[13]引入主成分分析(Principal Component Analysis,PCA)以及线性判别分析等方法完成特征提取并选择支持向量机实现EEG分类,实验获得了高达98%的准确率.Alomari et al[14]将Coiflet小波分析与不同幅度的估计器相结合,从运动想象脑电信号中提取小波系数的许多特征,分别结合支持向量机(Support Vector Machine,SVM)以及人工神经网络(Artificial Neural Network,ANN)在二分类与四分类的运动想象任务中实现了良好的分类性能.Kalavani et al[15]将离散小波变换(Discrete Wavelet Transform,DWT)方法应用于分解脑电信号,并提取EEG信号的时频域特征配合K⁃means聚类方法用于检测大脑是否正常,测试实验中该方法得到的最高准确率为83.3%.Kim et al[16]提出共空间模式结合线性判别分析的脑电信号分析方法,可以从空间域描述脑电信号携带的内在信息,并达到74.7%的平均准确率. ...
EEG signals classification:Motor imagery for driving an intelligent wheelchair
2
2018
... Pinheiro et al[17]提出一种快速傅里叶变换(Fast Fourier Transform,FFT)与ANN结合的运动想象脑电信号分类方法,通过ANN针对FFT提取的特征信息进行训练并完成分类识别任务,最终得到74.96%的平均准确率.Dose et al[18]提出一种端到端的深层卷积神经网络实现运动想象脑电信号分类,其中的网络使用一维卷积核获取多通道脑电信号中的时⁃空域特征,该模型在基准数据集上也得到了较高的分类精度.Qiao and Bi[19]提出一种卷积神经网络(Convolutional Neural Networks,CNN)与双向门控递归单元(Bidirectional Gated Recurrent Unit,BGRU)结合的混合模型,借助BGRU能学习上下文信息的特点从CNN提取的特征图中提取更具区分度的时⁃空域特征,实验结果表明该方法可以实现较好的脑电信号分类精度.王薇[20]为了实现运动想象脑电信号的鲁棒分类提出基于长短时记忆网络(Long Short⁃Term Memory,LSTM)和门控循环单元(GRU)的集成网络. ...
... Classification accuracy of ABiLSTM⁃CNN and other algorithms on MID⁃a datasetTable 5
Neural machine translation by jointly learning to align and translate
1
2014
... 注意力机制是受人类视觉系统的启发而来,可以使神经网络具备聚焦于某种特定子集(输入或特征)的能力,在计算机视觉、自然语言处理和神经机器翻译等领域都有重要的作用.Bahdanau et al[23]引入注意力机制,通过自上而下的信息选择机制来过滤大量的无关信息,对重要特征增加权重来衡量重要程度.在针对脑电信号的研究中并非所有特征信息的重要性都是相同的,因此在BiLSTM网络中引入注意力机制,对BiLSTM层的输出赋予不同的权值可以更好地聚焦到脑电信号的重要特征信息上,从而有效地提升模型的分类效果. ...
PhysioBank,PhysioToolkit,and PhysioNet:Components of a new research resource for complex physiologic signals
1
2000
... 为了深入研究脑电信号的特点和验证本文提出的脑电信号分析方法的有效性,实验选用PhysioNet提供的EEG Motor Movement/Imagery Dataset(EEG⁃MID)[24].该数据集使用BCI2000系统记录受试者被64个电极采集的基于视觉刺激的四分类运动想象脑电信号数据,即左拳、右拳、双拳和双脚.为了方便后续实验,需要对原始数据进行重构.每次运动想象实验均持续4 s,采样率为160 Hz,即单次想象实验的采样点为640个.考虑到脑电信号的应激反应集中在标志物出现后不久的时间段,因此将此样本数据重构为多个的二维矩阵,即64个信道中持续时长为0.4 s的信号,每个矩阵作为一个对应标签的样本数据. ...