Resumen

En la investigación de la interfaz cerebro-ordenador de imágenes motoras (MI-BCI), los algoritmos tradicionales de reconocimiento de señales de electroencefalograma (EEG) parecen ser ineficaces para extraer las características de la señal EEG y mejorar la precisión de la clasificación. En este artículo, discutimos una solución a este problema basada en un novedoso método paso a paso de extracción de características y clasificación de patrones para señales MI-EEG multiclase. En primer lugar, los datos de entrenamiento de todos los sujetos se fusionan y amplían a través del autocodificador para satisfacer la necesidad de cantidades masivas de datos, al tiempo que se reduce el mal efecto en el reconocimiento de la señal debido a la aleatoriedad, la inestabilidad y la variabilidad individual de los datos de EEG. En segundo lugar, se propone una estructura de compartición de extremo a extremo con una red neuronal de convolución superficial basada en la atención. La red neuronal de convolución superficial (SCNN) y la red de memoria bidireccional a corto plazo (BiLSTM) se utilizan para extraer las características del dominio de la frecuencia-espacial y las características de la serie temporal de las señales de EEG, respectivamente. A continuación, se introduce el modelo de atención en la capa de fusión de características para ponderar dinámicamente estas características extraídas del dominio temporal-frecuencia-espacial, lo que contribuye en gran medida a la reducción de la redundancia de características y a la mejora de la precisión de la clasificación. Por último, las pruebas de validación realizadas con conjuntos de datos de la Competición BCI IV 2a muestran que la precisión de la clasificación y el coeficiente kappa han alcanzado 82,7 ± 5,57 y 0,78 ± 0,074, lo que demuestra sus ventajas para mejorar la precisión de la clasificación y reducir las diferencias individuales entre los distintos sujetos de la misma red.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:precisión de la clasificación, características del dominio espacial, convolución poco profunda, señal de eeg, red neuronal, características de eeg, estructura de compartición de extremos, concurso bci iv, reducción de características, capa de fusión de características
• Keywords:classification accuracy, spatial domain features, shallow convolution, eeg signal, neural network, features of eeg, end sharing structure, bci competition iv, reduction of features, features fusion layer