计算机科学与探索

作者：李珍琦, 王晶, 贾子钰, 林友芳

单位：1.北京交通大学 计算机与信息技术学院,北京 100044；2.北京交通大学 交通数据分析与挖掘北京市重点实验室,北京 100044

关键词：运动想象（MI）,注意力机制,图卷积网络,多维特征,脑电信号（EEG）

基金：中央高校基本科研业务费专项资金(2021JBM007);国家自然科学基金(61603029)

运动想象（MI）作为脑机接口（BCI）的重要应用,是运动康复训练的重要支撑。由于脑电的电极分布并非天然的欧式空间,对运动想象进行准确分类具有很大的挑战。而且现有方法仅仅考虑了脑电信号（EEG）中某一维度或者某两维度的信息,无法全面捕获脑电信号在时、频、空三个维度存在的内在特征。同时,脑电信号各维度上的动态关联强度影响了分类的鲁棒性。针对上述问题,提出了一种新颖的融合注意力的多维特征图卷积网络（AMFGCN）。首先,根据电极节点分布的非欧空间特性设计出图结构,充分表示电极间的空间相关性。其次,提出时-空、频-空的双分支框架,同时表示脑电信号在时域、频域和空间域上的信息。最后,通过融合注意力机制、图卷积和时间/频谱卷积从图表示中学习脑电信号的空间表示、时间依赖性和频率依赖性,并自适应捕获各维度上的动态关联强度。在四个公开脑机接口数据集上进行了实验,结果表明AMFGCN模型提高了分类性能,优于其他现有的运动想象分类方法。

来源：2022年第9期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2022年第9期