基于殘差圖卷積網絡的運動想象任務分類

汪 健, 喬曉艷

(山西大學 物理電子工程學院, 山西 太原 030006)

0 引 言

腦-機接口(Brain-Computer Interface, BCI)是一種實現人類大腦與外部設備連接通路的人機交互技術, 在醫療康復、 軍事、 娛樂、 人工智能等領域應用前景廣闊[1]。

腦電信號解碼是BCI技術的關鍵環節。 對運動想象任務的腦電解碼, 傳統機器學習方法采用傅里葉變換、 小波變換、 共空間模式等對運動想象腦電信號(motor imagery electroencephalogram, MI-EEG)進行特征提取, 再用支持向量機、 K 近鄰等算法進行運動想象任務分類。 Sharma等[2]在BCI Competition IV Dataset1數據集上使用RBF 內核的支持向量機分類器和K近鄰分類器, 分別獲得80%和72.5%的分類準確率。 近年來, 深度學習方法被用于MI-EEG分類, 可直接從EEG中學習特征并實現分類, 應用最多的是卷積神經網絡(convolutional neural network, CNN); Amin等[3]提出一種從EEG數據中捕獲時空特征的MCNN方法, 在 BCI Competition IV 2a數據集上實現了 75.7%的任務分類準確率; Zhang等[4]提出了一種基于遷移學習的混合深度神經網絡(HDNN-TL)處理BCI Competition IV2a數據集4類MI任務, 取得了0.81的平均kappa系數。

圖結構包含節點信息和連接邊信息, 圖卷積神經網絡(Graph Convolutional neural Network, GCN)是在非歐氏空間結構數據上的深度學習, 既能學習節點特征, 又能獲得節點之間的關聯信息。 受圖數據結構啟發以及多導聯腦電具有的空間分布特性, 采用圖卷積網絡對MI-EEG數據進行解碼, 可以從大腦空間關聯中提取更多有價值的特征信息, 提高BCI運動想象任務分類的準確率。 由于圖卷積存在網絡退化問題, 目前多采用淺層圖卷積網絡實現運動想象任務分類[5]。 李珍琦等[6]提出了一種融合注意力的多維特征圖卷積……