Motor imagery electroencephalogram (MI⁃EEG) has been applied in brain computer interface (BCI) to assist patients with upper and lower limb dysfunction in rehabilitation training. However,the limited decoding performance of MI⁃EEG and over⁃reliance on pre⁃processing are restricting the broad growth of brain computer interface (BCI). We propose a multi⁃model fusion temporal⁃spatial feature motor imagery electroencephalogram decoding method (MMFTSF). The MMFTSF uses temporal⁃spatial convolutional networks to extract shallow features,multi⁃head probsparse self⁃attention mechanism to focus on the most valuable features,temporal convolutional networks to extract high⁃dimensional temporal features,fully connected layer with softmax classifier for classification,and convolutional⁃based sliding window and spatial information enhancement module to further improve decoding performance from MI⁃EEG. Experimental results have shown that the proposed reaches 89.03% on public BCI competition IV⁃2a dataset,which demonstrate MMFTSF has ideal classification performance on MI⁃EEG.
脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征.
TCN模块的设计包含两个残差块,与TCNet的网络结构相似,将TCNet的ReLU激活函数改为ELU激活函数.每个残差块都有两个扩张因果卷积(Dilated Causal Conv,DCC),每个DCC后都加入BN层和ELU激活函数.扩张因果卷积的提出是为了满足时序问题中某一时刻的输出只依赖于当前和历史时刻输入的需求,同时使用扩张因果卷积能够实现指数级增加感受野(Receptive Field Size,RFS).
Filter bank common spatial pattern algorithm on BCI competition IV datasets 2a and 2b
2
2012
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
Enhanced detection of artifacts in EEG data using higher?order statistics and independent component analysis
2
2007
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
Feature extraction and classification of EEG signals using wavelet transform,SVM and artificial neural networks for brain computer interfaces
2
2009
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
EEGNet:A compact convolutional neural network for EEG?based brain?computer interfaces
2
2018
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
... [5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
An empirical evaluation of generic convolutional and recurrent networks for sequence modeling
2
2018
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
... [6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
EEG?TCNet:An accurate temporal convolutional network for embedded motor?imagery brain?machine interfaces
2
2020
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
... [7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
Attention is all you need
2
2017
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
Physics?informed attention temporal convolutional network for EEG?based motor imagery classification
2
2023
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
EEG?ITNet:An explainable inception temporal convolutional network for motor imagery classification
2
2022
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
... Decoding accuracy of different methods on BCI IV⁃2aTable 5
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
A multi?branch convolutional neural network with squeeze?and?excitation attention blocks for EEG?based motor imagery signals classification
2
2022
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
... Decoding accuracy of different methods on BCI IV⁃2aTable 5
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
Motor imagery classification via temporal attention cues of graph embedded EEG signals
2
2020
... 脑电图(Electroencephalography,EEG)是一种记录脑电活动的非入侵方式,能够捕获头皮表面脑电的二维数据.EEG能够以无损人体健康的方式采集,具有表征受试者真实意图的潜力.运动想象(Motor Imagery,MI)是想象人体某躯干部分的运动而非人体躯干实际运动的意识.运动想象脑电图(Motor Imagery Electroencephalogram,MI⁃EEG)是一种无须外部刺激且能自我调节的脑电图,可以通过电极通道检测,是一种多维的长时间序列点.MI⁃EEG的低信噪比、非稳定性和生理伪迹干扰等特点影响MI⁃EEG的解码,对BCI的应用带来巨大挑战.因此,从MI⁃EEG中提取特征以区分不同想象动作的解码方法是BCI技术中不可缺少的事项.许多机器学习和深度学习方法已经应用了MI⁃EEG的解码,去解决MI⁃EEG的分类问题.传统的机器学习方法需要依赖专家知识来进行特征提取,而深度学习能够从原始的脑电数据中学习关键和潜在的特征,不需要过度依赖专家知识提取特征.以深度学习的方法来对MI⁃EEG解码,通常分为特征输入和非特征输入.特征输入通常使用共空间模式滤波[2]、独立成分分析[3]、短时傅里叶变化和小波变换[4]等具有专家知识的技巧来对原始MI⁃EEG进行预处理,将处理后的MI⁃EEG作为网络的输入;非特征输入仅使用原始的MI⁃EEG作为网络输入.用于MI⁃EEG的深度学习常用结构包括卷积神经网络(Convolutional Neural Networks,CNN)[5],时间卷积网络(Temporal Convolutional Networks,TCN)[6-7]和transformer系列等网络[8-9].与传统的机器学习方法相比,使用深度学习作为MI⁃EEG的解码方法,能够以更少的专家知识达到较好的解码性能.Lawhern et al[5]提出一种紧凑的卷积神经网络EEGNet,使用深度卷积和深度可分离卷积来对MI⁃EEG进行解码,EEGNet的提出为MI⁃EEG的解码提供了一个很好的思路.Ingolfsson et al[7]提出EEG⁃TCNet,在EEGNet的基础上加入TCN网络结构[6],能够提升MI⁃EEG的解码准确度,同时EEG⁃TCNet的设计使用较少的参数量,能够在资源有限的边缘设备部署.Salami et al[10]提出的EEG⁃ITCNet是在EEG⁃TCNet的基础上加入Inception网络结构[11],认为Inception可以高效地处理小量的数据集,通过不同卷积核大小,提取不同频率上的时间特征,且使用不同大小的卷积核对MI⁃EEG的解码提供了可解释性.Altuwaijri et al[12]提出MBEEGSE,结合EEGNet和Inception网络结构,并在此基础上加入轻量级的SENet[13],能够明确电极通道之间的相互依赖关系,自适应地改变电极通道之间的响应.Zhang et al[14]提出一种基于图的卷积递归注意模型G⁃CRAM,以探索不同受试者的脑电特征,将电极通道的结点信息嵌入到卷积神经网络中,对MI⁃EEG进行解码.Altaheri et al[9]提出ATCNet,在EEGNet和TCN网络基础上加上multi⁃head attention来突出MI⁃EEG中最有价值的特征,并采用基于卷积的滑动窗口来增强MI⁃EEG的解码,能够进一步提升MI⁃EEG的解码准确度.上述研究为EEG的解码开拓了新的研究路线,同时也为以后EEG的解码提供了研究方向,但仍存在以下问题:传统的解码方法过度依赖专家知识和单一模型的解码方法无法充分发掘脑电信号的潜在信息,导致MI⁃EEG的解码精度低,限制了BCI的广泛应用.针对上述问题,本文提出一种多模型融合的时空特征运动想象脑电解码方法(Multi⁃model Fusion Temporal⁃spatial Feature Motor Imagery Electroencephalogram Decoding Method,MMFTSF),主要创新性如下:(1)为了不过度依赖专家知识,仅对MI⁃EEG进行数值上的预处理;(2)使用多模型融合的网络结构能够提取MI⁃EEG不同维度的信息特征;(3)为了充分挖掘多频段脑电信号之间的相关性,嵌入概率稀疏注意力机制使网络自适应地关注与MI任务相关频段的特征. ...
... Decoding accuracy of different methods on BCI IV⁃2aTable 5
Effect of the number of sliding windows on decoding accuracyFig.52.3.2 MPS中点积数量对解码性能的影响Informer[15]在利用点积对去产生注意力机制的过程中,并非所有的点积对都能够产生有效的注意力机制.使用不同的点积数量对MI⁃EEG进行解码,在=1 ()和=5 ()的情况下,的取值分别为和.