一種高效運動想象腦電信號淺層卷積解碼網(wǎng)絡

李文平,徐光華,2,張凱,張四聰,趙麗嬌,李輝

(1. 西安交通大學機械工程學院,710049,西安; 2. 西安交通大學機械制造系統(tǒng)工程國家重點實驗室,710054,西安; 3. 西安交通大學經(jīng)濟與金融學院,710061,西安)

腦-機接口(brain-computer interface, BCI)是一種允許使用者使用大腦神經(jīng)信號來控制如假肢、外骨骼、輪椅等外部設備的系統(tǒng)[1-3]。基于運動想象(motor imagery, MI)范式的腦-機接口系統(tǒng),其典型過程為采集大腦在動作想象時的電信號,經(jīng)過數(shù)據(jù)預處理與特征提取,再對想象任務進行識別與分類,最后形成相對應的控制指令[4]。目前用于運動想象腦-機接口系統(tǒng)的腦電信號有植入腦電、皮層腦電和頭皮腦電[5]等。頭皮腦電采用電極帽或?qū)㈦姌O平貼于頭皮上記錄數(shù)據(jù),是一種非侵入式的信號,與其他腦電信號相比,具有安全性高、易用、低成本、便攜等方面的優(yōu)點,但同時也犧牲了信噪比與空間分辨率[6-7]。由于基于運動想象的腦-機接口系統(tǒng)的性能主要取決于信號解碼算法的性能,因此提高解碼算法的信息傳輸率對提升腦-機接口系統(tǒng)性能有著至關重要的作用。

共空間模式(common spatial pattern,CSP)特征提取方法,結(jié)合支持向量機(SVM)等機器學習分類算法,在二分類任務的運動想象腦電解碼方面取得了較好的效果[8-9]。之后,許多學者對初始的CSP方法進行了諸多改進研究,Ang 等[10]針對CSP方法中頻帶選擇問題,提出了濾波器組共空間模式(FBCSP)算法,使用等頻寬的濾波器組對信號進行分解,在每個頻段信號提取CSP特征,再使用互信息的特征選擇方法進行特征選擇。鑒別濾波器組CSP (DFBCSP) 算法[11]、共時空頻CSP(CTFSP)算法[12]、雙譜熵(BECSP)算法[13]等一系列優(yōu)化算法被相繼提出,以期能提取更加顯著的運動想象腦電信號特征。然而,上述運動想象解碼算法均需要手動對信號進行特征提取,因此解碼的性能十分依賴于專業(yè)的相關知識與經(jīng)驗。

基于人工神經(jīng)網(wǎng)絡(ANN)的深度學習方法很大程度上緩解了人工參與特征提取的需求,例如,在計算機視覺(CV)[14]與語音識別(audio recognition)[15]領域已經(jīng)實現(xiàn)了遠超于人工提取特征的識別效果,并獲得了最先進的性能。近年來,許多研究已經(jīng)關注到深度學習算法在腦電信號處理上的應用[16]。Schirrmeister等[17]提出了一種適用于腦電信號分類的深度卷積網(wǎng)絡(DeepConvNet)。Lawhern等[18]提出了可以跨范式、跨被試且效果較好的腦電信號解碼網(wǎng)絡(EEGNet),模型具有很強的泛化能力。Liu等[19]提出時間和通道注意卷積網(wǎng)絡(TCACNet),實現(xiàn)了對腦電信號的分類。上述基于深度學習的算法,通過自適應訓練的深度網(wǎng)絡實現(xiàn)了對原始腦電信號的模式識別,在大量數(shù)據(jù)的支持下能夠取得很好的識別效果。

但是,深度學習在腦電信號識別領域仍存在以下問題。首先,運動想象作為一種內(nèi)源性的腦-機接口范式,神經(jīng)電信號來源于特定區(qū)域、特定時間以及個體差異性的節(jié)律,特征呈現(xiàn)出較強的時間-空間-頻率耦合特性[12, 20-21],加之頭皮腦電對神經(jīng)信號質(zhì)量的折損,如何自適應地提取到這些強耦合的特征是需要研究的重點[22];其次,深度網(wǎng)絡的訓練參數(shù)隨網(wǎng)絡深度與廣度的增加而增加,隨之帶來的是更多的訓練數(shù)據(jù)樣本需求[23],為算法的實際應用造成阻礙;最后,在腦-機接口的實際應用場景中,要想普及更多的設備使用場景,就要追求比較高的信號解碼準確率,還需要更快的神經(jīng)網(wǎng)絡訓練速度與更低的計算資源占用[24]。

針對上述問題,本文在EEGNet網(wǎng)絡模型的基礎上,提出了一種改進的運動想象腦電信號淺層卷積解碼網(wǎng)絡(Faster-EEGNet)。通過新的神經(jīng)網(wǎng)絡結(jié)構(gòu),增強了對運動想象時間-空間-頻率耦合特征的提取能力。該網(wǎng)絡可訓練參數(shù)只有104量級,對訓練樣本數(shù)要求較低;最后通過結(jié)構(gòu)優(yōu)化,明顯提升了網(wǎng)絡卷積運算速度,使得實驗中的訓練用時減少了44.8%。

1 基于深度學習的運動想象解碼算法

1.1 EEGNet網(wǎng)絡結(jié)構(gòu)

EEGNet是Lawhern等[18]受到FBCSP算法啟發(fā)構(gòu)建的一個緊湊式的、可以用于運動想象腦電信號識別的可訓練神經(jīng)網(wǎng)絡,其網(wǎng)絡結(jié)構(gòu)如圖1所示。

圖1 EEGNet網(wǎng)絡結(jié)構(gòu)Fig.1 Structure of EEGNet network

網(wǎng)絡輸入層輸入的腦電信號數(shù)據(jù)為通道數(shù)×采樣數(shù);緊接著為中間層,其第1層是二維卷積層,卷積核尺寸與腦電數(shù)據(jù)采樣率有關,設L=0.5fs(fs為腦電數(shù)據(jù)采樣頻率),則卷積核尺寸為L×1。該卷積層的卷積操作是對腦電信號開展逐行卷積運算,其作用為逐通道濾波,再經(jīng)過激勵函數(shù)實現(xiàn)特征圖的輸出,其過程的數(shù)學表達式如下

yj=f((X*wj)+bj)

(1)

式中:yj表示第j個特征圖;X表示該層的輸入信號;wj表示第j個卷積核的權(quán)重矩陣;bj表示第j個卷積的偏差值;f表示激活函數(shù)。

中間層的第2層是深度卷積層,卷積核尺寸為通道數(shù)×1。該深度卷積層與第1層的區(qū)別在于:在深度為1時,進行卷積操作時1個特征圖輸入對應1個卷積核[25],而普通卷積層的每個卷積核會與每個輸入的特征圖進行卷積操作。深度卷積的計算公式為

(2)

式中:h表示深度卷積的深度;yj,h表示第j個卷積核對應的深度為h的輸出;Xj表示第j個輸入的特征圖;wj,h表示第j個深度為h的卷積核;bj,h表示第j個深度為h的偏差值。

深度卷積的意義為對輸入的每個特征圖進行單獨操作,實現(xiàn)了特征圖的獨立特征提取[25]。同時相比于普通卷積,深度卷積的運算量、可訓練參數(shù)量也會大大減少。深度卷積層的卷積計算類似于CSP算法中的空間濾波計算,是對各通道信號的加權(quán)濾波,因此該層的輸出變?yōu)橐痪S信號。

中間層的最后一層為深度分離卷積[25],此卷積過程是深度卷積與點卷積的組合,因此有兩層的卷積過程。點卷積的卷積核大小為1×1,因此卷積不會改變特征圖的大小,但也能將特征降維以及增加模型的非線性表達能力。

由深度分離卷積層輸出的特征圖,首先經(jīng)過深度卷積過程進一步提取時域特征,再經(jīng)歷如下所示的點卷積過程

(3)

式中:yj表示第j個特征圖輸出;Xi表示第i個特征圖輸入;wj表示第j個點卷積核;bj表示卷積偏置。

可以看出,點卷積核會與每一個輸入的特征圖進行卷積,求和之后得到特征圖輸出。因此,深度分離卷積過程增加了網(wǎng)絡對腦電信號時空耦合特征提取的學習能力。

最后在輸出層進行全連接與分類結(jié)果輸出,實現(xiàn)腦電信號解碼。

1.2 Faster-EEGNet網(wǎng)絡結(jié)構(gòu)

本文的研究工作主要是基于EEGNet網(wǎng)絡模型開展優(yōu)化,提出如圖2所示的適用于運動想象腦電信號解碼的Faster-EEGNet緊湊式深度學習網(wǎng)絡。網(wǎng)絡的輸入數(shù)據(jù)導聯(lián)數(shù)為C,數(shù)據(jù)長度為T,F1與D表示網(wǎng)絡的一組可調(diào)整超參數(shù),網(wǎng)絡的最終結(jié)構(gòu)可由F1與D確定。

本文提出的網(wǎng)絡模型,重點是對EEGNet網(wǎng)絡中間層的第1層與第2層結(jié)構(gòu)進行改造,在網(wǎng)絡構(gòu)建過程中選用一維卷積核加快卷積速度,對于單通道信號的不同頻段、不同通道信號以及信號時域信息,有著更強的耦合特征學習能力,能夠?qū)崿F(xiàn)更快的網(wǎng)絡訓練速度以及具有更強的特征提取能力。

表1詳細列出了Faster-EEGNet網(wǎng)絡的結(jié)構(gòu)與參數(shù)。可以看到,輸入層對于采集到的原始腦電信號,需要進行適當?shù)念A處理,如通道選擇、去線性趨勢、帶通濾波等,輸入數(shù)據(jù)為采樣點數(shù)×通道數(shù)(T×C)。中間層的第1層是大小為32的F1個一

圖2 Faster-EEGNet的網(wǎng)絡結(jié)構(gòu)Fig.2 Structure of Faster-EEGNet

表1 Faster-EEGNet的網(wǎng)絡結(jié)構(gòu)與參數(shù)

維卷積濾波器,能夠?qū)Χ嗤ǖ赖哪X電信號進行時域特征提取,計算公式如下

(4)

與EEGNet網(wǎng)絡中間層的第1層相比,Faster-EEGNet網(wǎng)絡的第1層卷積對所有通道采用不同的卷積權(quán)重,在濾波之后進行疊加,雖然大大增加了該層的可訓練參數(shù),但也增強了對時空耦合特征的學習能力。在卷積核大小的選擇上,采用了更小的32,以增加時間分辨率。不僅如此,由于采用的卷積在運算過程中是對所有通道同時進行,因此相比于EEGNet網(wǎng)絡,計算速度提升較大,達到了在參數(shù)增多的情況下仍能加快計算速度的目的。之后的批次標準化計算起到了正則化的作用,能夠減小數(shù)據(jù)的分布變化。第2層是大小為16的深度卷積層,深度卷積的特點就是卷積核不與上一層所有的特征圖連接,其作用一方面是減少該層的參數(shù)量,另一方面是單獨對上一層輸出的時空特征圖進行時域特征學習。在激活函數(shù)的選擇上,沒有依照EEGNet網(wǎng)絡使用指數(shù)線性單元(elu), 而是選擇了整流線性單元(Relu)函數(shù),其數(shù)學表達式為

(5)

式中:y表示激活函數(shù)的輸出;x表示激活函數(shù)的輸入。

由于Relu會將輸入為負的激勵輸出為0,因此起到了特征選擇的作用。同時,將部分神經(jīng)元輸出置零,也加快了網(wǎng)絡計算的速度。

深度卷積之后使用大小為4的平均池化,將250 Hz的信號采樣頻率降到64 Hz,可大大降低特征圖的大小,因而減少了計算量。緊隨的神經(jīng)元丟棄(dropout)操作使部分神經(jīng)元失活,起到了防止過擬合的作用,失活率可以根據(jù)訓練過程中的過擬合情況選擇0.25或者0.5。中間層的最后一層是深度分離卷積,與EEGNet網(wǎng)絡一樣借鑒了CSP算法的思想,進一步提取時間-空間域上的特征,輸出的特征圖經(jīng)歷批次標準化、 Relu激活、平均池化、神經(jīng)元丟棄等一系列操作后,生成該層輸出。尺寸為8的平均池化進一步降低了特征圖大小,減少了后續(xù)計算量。最后經(jīng)過全連接展平,將所有的特征與輸出層連接。

Faster-EEGNet網(wǎng)絡將第1層二維平面串行卷積變?yōu)樗型ǖ劳瑫r進行的串行卷積,完成了各通道信號的時域濾波、空間濾波,中間深度卷積層對空間模式提取信號進行時域卷積特征提取,最后由深度分離卷積再次提取信號時間-空間耦合特征。整個過程中,雖然可訓練參數(shù)量有所增加,但是計算速度與特征學習能力得到了增強。

2 實驗材料與設計

2.1 數(shù)據(jù)集介紹

本文使用2022年世界機器人錦標賽-BCI腦控機器人大賽公開的運動想象RankB賽題數(shù)據(jù)作為驗證數(shù)據(jù)集,采用博瑞康64導腦電采集設備采集實驗數(shù)據(jù),含一個事件信息(trigger)通道,信號采樣頻率為250 Hz。一次實驗內(nèi)容包括2 s任務提示、4 s運動想象和2 s休息,每組共計30次。任務類型包括左手運動、右手運動、雙腳運動的想象,每種任務隨機出現(xiàn)10次。數(shù)據(jù)集采集了5名被試者的運動想象數(shù)據(jù),每名被試者參與3組實驗共計90個試次。為了模擬真實的在線識別場景,本文腦電解碼實驗使用的訓練集與測試集數(shù)據(jù)均來自不同的實驗組,以減少訓練集與測試集的相似性。

2.2 模型訓練與驗證實驗設計

為驗證本文所提出的Faster-EEGNet網(wǎng)絡性能,在所選公開數(shù)據(jù)集上設計了與EEGNet網(wǎng)絡運動想象解碼性能的對比實驗。模型訓練的過程如圖3 所示。

圖3 模型訓練與實驗過程Fig.3 Model training and experiment process

實驗采用python語言平臺,計算機配置為12核intel Core i7-8700,編程環(huán)境為Windows10 + python3.10。不使用GPU的原因是由于在前期實驗過程中發(fā)現(xiàn),在數(shù)據(jù)量與神經(jīng)網(wǎng)絡都很小的情況下,GPU訓練的速度很大程度上取決于CPU處理與載入數(shù)據(jù)的速度,所以導致訓練耗時差異很小,因此使用CPU進行訓練可以更好地對比神經(jīng)網(wǎng)絡訓練速度的差異。

樣本的處理步驟為:實驗中,對每名被試者所有通道每個試次的數(shù)據(jù)進行小波變換,繪制試次信號的時頻圖,然后根據(jù)經(jīng)驗去掉噪聲比較大的腦電信號通道與試次樣本。本實驗的通道號選擇如表2所示。

表2 不同被試者腦電通道號的選取

被試訓練集與測試集的劃分過程為:為消除訓練數(shù)據(jù)與測試數(shù)據(jù)相似度對測試結(jié)果的影響,先使用第1個實驗組的數(shù)據(jù)作為測試集,第2、3組的數(shù)據(jù)作為訓練集得到測試集準確率,然后再依次使用第2組、第3組數(shù)據(jù)作為測試集,即采用三折交叉驗證的方法,選取3組測試集準確率的平均值作為模型的分類識別準確率。

數(shù)據(jù)預處理步驟為:由于數(shù)據(jù)集中每名被試者的數(shù)據(jù)樣本只有90個試次,訓練集樣本只有60個試次,因此本文采用移動剪裁的方法進行數(shù)據(jù)增強,即使用長度為120的窗,移動間隔為30的裁剪方法對4 s的運動想象數(shù)據(jù)進行裁剪,可以將數(shù)據(jù)樣本擴大30倍,之后對增強后的樣本再進行去線性趨勢以及8～30 Hz濾波。

按照Lawhern[18]所述的網(wǎng)絡參數(shù)構(gòu)建EEGNet8,2網(wǎng)絡,按照表1的參數(shù)對Faster-EEGNet網(wǎng)絡進行設置,其中F1設置為16,D設置為2,F2設置為32,第1個神經(jīng)元的丟棄概率設置為0.5,第2個神經(jīng)元的丟棄概率設置為0.25。

模型訓練的批次大小設置為32,EEGNet8,2網(wǎng)絡的學習率設置為0.01,Faster-EEGNet網(wǎng)絡的學習率設置為0.000 1,學習率設置按梯度衰減,以防止訓練前期收斂太慢與訓練后期過擬合。為了發(fā)揮2種網(wǎng)絡的最佳性能,學習率與批次大小的設置選取訓練調(diào)參過程中的一個較優(yōu)參數(shù)。

2.3 性能評價方法

2.3.1 模型準確率

為驗證本文所提出模型的先進性,使用2.2節(jié)中的模型訓練方法,分別訓練EEGNet8,2與Faster-EEGNet網(wǎng)絡。EEGNet8,2網(wǎng)絡的訓練次數(shù)設置為200,并使用Lawhern[19]中所述的檢查點模式方法,選擇驗證集上損失函數(shù)最小的模型作為輸出模型。本文提出的Faster-EEGNet網(wǎng)絡不使用檢查點模式方法,而是在訓練200次后以最后一次訓練得到的模型作為輸出模型。采用三折交叉驗證方法計算模型的識別準確率,每個被試者均重復20次,記錄下每次實驗的交叉驗證準確率。

2.3.2 信息傳輸率

信息傳輸率是反映數(shù)據(jù)傳輸系統(tǒng)性能的重要參數(shù),是描述腦-機接口性能的指標之一,其計算公式為

(6)

式中:RIT表示信息傳輸率;N表示目標數(shù);P表示識別準確率;L表示平均試次時長。

實驗中使用的腦電數(shù)據(jù)長度為0.48 s,但考慮到實際使用場景,加上了模擬的0.5 s休息時長,因此計算過程中L取0.98 s。

2.3.3 模型訓練速度

使用S04被試者的數(shù)據(jù),從訓練10個輪次開始,每次增加10個輪次,一直增加到100個輪次。將此實驗過程重復20次,記錄下每次訓練耗時數(shù)據(jù)。

2.3.4 模型推理速度

模型的推理速度受測試數(shù)據(jù)的長度以及腦電數(shù)據(jù)通道數(shù)的影響。為評價測試數(shù)據(jù)的長度對模型推理速度的影響程度,首先使用S04被試者的數(shù)據(jù),選擇第1組與第2組共60個試次的59通道腦電數(shù)據(jù),按照2.2節(jié)中所述方法對樣本進行預處理,測試長度分別為0.5、1.0、1.5、2.0、2.5和3 s,采用Faster-EEGNet網(wǎng)絡與EEGNet8,2網(wǎng)絡進行訓練,次數(shù)設置為200。對于EEGNet8,2網(wǎng)絡,采用檢查點模式方法選擇輸出模型,測試集按照2.2節(jié)中所述方法增強到360個樣本,每個長度樣本對應的實驗重復3次,記錄2種模型對測試集所有樣本進行推理所消耗的時間。

2.3.5 結(jié)果的假設檢驗

將上述性能評價指標實驗結(jié)果,視作同一組數(shù)據(jù)的不同處理或測量結(jié)果的均值差異,可采用雙樣本t檢驗(pairedt-test)方法來比較均值大小,其表達式可寫為

(7)

采用式(7)的t檢驗統(tǒng)計量對2組樣本的均值進行檢驗,其自由度的數(shù)目由 Satterthwaite 逼近給出。若均值相等則檢驗通過,表明結(jié)果無明顯差異,否則需進行單側(cè)檢驗比較均值大小。

3 實驗結(jié)果與討論

3.1 網(wǎng)絡可訓練參數(shù)

表3給出了Faster-EEGNet、EEGNet8,2、DeepConvNet以及ShallowConvNet 4種網(wǎng)絡可訓練參數(shù)量的對比結(jié)果。

表3 4種運動想象解碼網(wǎng)絡的可訓練參數(shù)量對比

由表3可知,DeepConvNet網(wǎng)絡的可訓練參數(shù)量最大,達到了105數(shù)量級,ShallowConvNet與Faster-EEGNet網(wǎng)絡的數(shù)量級都在104,EEGNet8,2網(wǎng)絡的可訓練參數(shù)最少。總體而言,Faster-EEGNet網(wǎng)絡的可訓練參數(shù)量相對較少,因此在小樣本訓練場景也能獲得較好的模型擬合效果。對于EEGNet8,2網(wǎng)絡,雖然第1層的卷積層為每個通道都分配了單獨的卷積核,導致參數(shù)量增加,但同時換來了更強的耦合特征提取學習能力。

3.2 運動想象腦電信號解碼準確率與信息傳輸率

圖4展示了EEGNet8,2與Faster-EEGNet網(wǎng)絡在世界機器人錦標賽上運動想象B榜三分類數(shù)據(jù)集上的識別準確率結(jié)果,所有的數(shù)據(jù)樣本長度均為0.48 s。由圖可見,在S04與S05被試者的表現(xiàn)上,Faster-EEGNet與EEGNet8,2網(wǎng)絡的識別準確率分別為82.12%與27.57%,前者明顯優(yōu)于后者(在p<0.001的顯著水平上)。對于S03被試者,則是EEGNet8,2網(wǎng)絡取得了更好的識別準確率。2種算法在S01與S02被試者上無顯著差異,Faster-EEGNet比EEGNet8,2網(wǎng)絡的平均準確率提升了0.46%。識別結(jié)果表明,不同被試者間運動想象信號的質(zhì)量差異較大。

圖4 2種網(wǎng)絡模型的分類準確率對比Fig.4 Comparison of classification accuracy of EEGNet8,2 and Faster-EEGNet models

表4給出了EEGNet8,2與Faster-EEGNet網(wǎng)絡在實驗中運動想象解碼信息傳輸率RIT的結(jié)果。由于被試者S05的三分類準確率低于1/3,因此信息傳輸率都為0。Faster-EEGNet網(wǎng)絡在S04被試者上的信息傳輸率結(jié)果更優(yōu)(在p<0.001的顯著水平上),而對于S01與S02被試者,兩種算法并無明顯差異。

表4 2種網(wǎng)絡模型的信息傳輸率

3.3 神經(jīng)網(wǎng)絡訓練速度對比結(jié)果

圖5給出了兩種神經(jīng)網(wǎng)絡在S04被試者上的訓練耗時。由圖可見,在訓練數(shù)為10～100的所有實驗中,本文提出的Faster-EEGNet網(wǎng)絡模型的訓練耗時均明顯低于EEGNet8,2(在p<0.001的顯著水平上),能夠減少44.8%的訓練耗時,訓練速度得到明顯提升。模型訓練速度加快的原因在于:Faster-EEGNet網(wǎng)絡將第1層二維平面串行卷積變?yōu)樗型ǖ劳瑫r進行的串行卷積,使用較小的卷積核完成了各通道信號的時域濾波、空間濾波;而EEGNet網(wǎng)絡的第1層為所有通道分配一個卷積濾波器,在卷積計算時使用比較大的卷積核逐次串行對所有通道進行卷積,因而第1層只完成了時域濾波過程,輸出特征圖也比較大,提升了后續(xù)計算的復雜度。

圖5 2種網(wǎng)絡模型的訓練耗時對比(S04被試者)Fig.5 Comparisons of time spent on two net models(S04 training model)

3.4 模型推理速度對比結(jié)果

圖6展示了大小為360的測試樣本上,Faster-EEGNet與EEGNet8,2網(wǎng)絡模型的預測推理消耗時間對比結(jié)果。由圖可見,兩種算法的推理時間都隨著樣本長度的增加而呈近似線性增加,但Faster-EEGNet網(wǎng)絡模型的推理時間在所有測試樣本長度時均小于EEGNet8,2網(wǎng)絡模型(在p<0.001的顯著性水平上),如樣本長度為0.5 s時推理時間減少了43.6%,樣本長度為3 s時推理時間減少了73.0%;從單樣本推理時間來看,樣本長度為3 s時最長,Faster-EEGNet8,2網(wǎng)絡模型推理需耗時0.73 ms,而EEGNet網(wǎng)絡模型推理耗時則需要2.66 ms,結(jié)果表明相較于EEGNet8,2網(wǎng)絡模型,Faster-EEGNet網(wǎng)絡模型的推理速度有了較大的提升。

4 結(jié) 論

本文針對現(xiàn)有深度學習方法在運動想象腦電信號識別領域面臨的挑戰(zhàn)展開研究,旨在解決基于運動想象的腦-機接口在實際應用中對于快速模型訓練、想象任務準確識別、小樣本訓練的需求問題,在EEGNet網(wǎng)絡結(jié)構(gòu)的基礎上,提出了緊湊型的Faster-EEGNet網(wǎng)絡,并給出了其結(jié)構(gòu)參數(shù)設置以及訓練方法。與其他學者提出的神經(jīng)網(wǎng)絡相比,Faster-EEGNet網(wǎng)絡參數(shù)量較少,對于小樣本的訓練場景也能夠獲得較好的模型擬合效果。所選三分類運動想象數(shù)據(jù)集上的分類結(jié)果表明,Faster-EEGNet神經(jīng)網(wǎng)絡平均識別準確率與信息傳輸率均高于EEGNet網(wǎng)絡,部分被試者結(jié)果顯著高于EEGNet網(wǎng)絡,顯示出較好的解碼性能。在模型訓練速度方面,Faster-EEGNet網(wǎng)絡有著較為顯著的優(yōu)勢,實驗中所有試次的平均訓練速度提升了44.8%。在基于運動想象的腦機接口系統(tǒng)中,Faster-EEGNet網(wǎng)絡能夠在保證較好解碼性能的前提下顯著減少解碼模型的訓練耗時,提升了運動想象腦機接口系統(tǒng)的便利性。此外,與EEGNet網(wǎng)絡模型相比,Faster-EEGNet網(wǎng)絡模型推理速度的提升量超過43.6%,大大提高了腦機接口系統(tǒng)的快速響應能力。