褚亚奇 1,2,3 , 朱波 1,2,3 , 赵新刚 1,2 , 赵忆文 1,2
  • 1. 中国科学院沈阳自动化研究所 机器人学国家重点实验室(沈阳 110016);
  • 2. 中国科学院机器人与智能制造创新研究院(沈阳 110016);
  • 3. 中国科学院大学(北京 100049);
导出 下载 收藏 扫码 引用

基于运动想象脑电(EEG)的脑-机接口系统能够为用户提供更为自然、灵活的控制方式,已广泛应用到人机交互领域。然而,由于目前运动想象脑电的信噪比及空间分辨率较低,导致信号解码正确率较低。针对这一问题,本文提出一种基于时空特征学习卷积神经网络(TSCNN)的运动想象脑电解码方法。首先,针对经过带通滤波预处理的脑电信号,依次设计时间和空间维度上的卷积层,构造出运动想象脑电的时空特征;然后,利用 2 层二维卷积结构对脑电的时空特征进行抽象学习;最后,通过全连接层和 Softmax 层对 TSCNN 学习的抽象特征进行解码。利用公开数据集对该方法进行实验测试,结果表明,所提方法的平均解码精度达到 80.09%,分别比经典的解码方法共空间模式(CSP) + 支持向量机(SVM)和滤波器组 CSP(FBCSP) + SVM 提高了 13.75% 和 10.99%,显著提升了运动想象脑电解码的可靠性。