Abstract ：

目的 基于深度学习的运动想像脑机接口技术在智能康复领域具有很好的发展前景.然而,运动想像脑电信号(motor imagery-electroencephalogram,MI-EEG)是一种非平稳信号,其数据分布和特征空间会随着康复进程的推进而发生变化,这会导致卷积神经网络(convolutional neural network,CNN)模型的识别能力下降.为改善运动想像解码模型对时间的自适应性,本文提出一种基于知识蒸馏和注意力损失的时间增量学习系统(session-incremental learning system,SILS).方法 首先,对运动想象脑电信号进行带通滤波和下采样等预处理,以增强与运动想象相关的信息;其次,设计一种多分支双注意力多模块卷积神经网络对多导联MI-EEG进行多尺度时间特征和空间特征的提取与整合,并基于注意力机制增强通道和空间维度的关键信息;然后,利用知识蒸馏技术及注意力损失改善增量时期解码模型持续学习新知识和保留旧知识的能力;进一步,基于最近邻法挑选少量优质旧样本进行数据回放,提升增量模型的抗遗忘性能力;最后,基于BCI Competition Ⅳ Dataset 2b公开数据集进行大量实验研究,通过可塑性和稳定性两项指标验证 SILS 性能.结果 SILS 对第 1～5 阶段的数据依次取得 79.21％、79.05％、89.06％、88.38％和88.47％的平均准确率,第5 阶段的SILS对第 1～4 时段(session)数据的平均遗忘率分别为9.72％、9.10％、9.88％和6.04％.结论 SILS具有自动调整模型参数,保持持续学习和自我更新的能力,表现出很好的时间适应性和性能稳定性.

Keyword ：

注意力机制 增量学习 运动想像 知识蒸馏 脑电信号

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种基于滤波器组轻量网络的精细运动想象脑电信号分类方法属于计算机软件领域。针对脑电不同频率可能蕴含不同类型的运动想象信息的特点，提出了一种基于滤波器组的网络模型Filter Bank Shallow Convolution Net，简称“FBShallowConvNet”的。首先，使用不同波段的带通滤波器对原始脑电进行滤波，利用滤波后的信号放入卷积网络中进行特征提取，卷积网络通过时域卷积和空间卷积提取特征，并添加通道自注意力模块利用通道间的相似性分配通道的权重，最后通过特征完成对脑电信号的分类。本发明利用了脑电信号不同波段蕴含不同的运动想象特征信息，有效的提高了精细运动想象的分类准确率。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 为充分保留和利用运动想象(motor imagery,MI)时偶极子的时空信息,本文提出一种新的偶极子成像(dipoles imaging,DI)结合3维卷积神经网络(3D convolutional neural network,3DCNN)的源域MI解码方法(DI-3DCNN).方法 首先,基于脑源成像(electroencephalography source imaging,ESI)技术计算运动想象脑电信号的偶极子源估计;接着,获取每类MI任务的平均偶极子源估计,基于数据驱动自动选择每类任务中偶极子激活水平较高且最大区分于其他任务的时刻作为中心采样点,再对中心采样点进行前后延伸并按任务顺序组合,形成感兴趣时间(time of interest,TOI);其次,选择覆盖高激活偶极子的Desikan-Killiany(DK)神经分区,并对局部保持投影方法(local preserving projection,LPP)增加DK分区约束,获得一种改进的有监督LPP(LPPDK);进而,基于LPPDK分别将所选择左、右半脑分区内的偶极子坐标从3维(three dimensional,3D)降成2维,获得具有神经生理先验信息的偶极子2D坐标,再结合TOI内各采样点处偶极子的幅值信息进行成像,并进行插值、下采样操作,得到偶极子的2D幅值图;随后,将TOI内偶极子的2D幅值图按时间顺序堆叠,获得左、右半脑的3D偶极子特征图,并将其作为网络的输入数据;最后,根据输入数据的特点,设计一种双分支3D卷积神经网络(dual-branched 3DCNN,DB3DCNN)实现MI解码.结果 基于BCI competition IV 2a数据集进行实验研究,取得了86.50％的平均解码准确率.结论 基于DI所得3D偶极子特征图能够较好地保留偶极子的最佳激活时间、程度及生理空间信息,且与DB3DCNN性能匹配.

Keyword ：

卷积神经网络 Desikan-Killiany分区 运动想象 局部保持投影 脑源成像

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法属于计算机软件领域。针对跨被试脑电信号不符合独立同分布问题，增强其中脑电信号时域信息，提出基于MSFBCNN网络的深度迁移学习的自适应层微调特征提取方法，简称“DSAN‑MSFBCNN”。首先，采用fine‑tune微调方法，对于预训练模型MSFBCNN进行网络模型微调，冻结模型最高层全连接层之前的网络结构；其次，使用领域自适应方法DSAN对全连接层进行适配，提供具有更高区分度的特征，从而提高分类准确率。“DSAN‑MSFBCNN”模型可以在运动想象分类任务上取得较高的准确率。相比较MSFBCNN模型，本发明提升对运动想象脑电信号的特征提取和分类性能，使用微调后的模型具有更高的泛化能力。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种基于多头自注意力机制和并行卷积的运动想象脑电信号分类方法，属于计算机软件领域。针对脑电信号信噪比低导致特征提取困难的问题，提出一种基于EEGNet改进的网络模型，简称EEG‑MATCNet。首先，使用并行卷积层对原始脑电信号进行初步的特征提取，不同尺度的卷积核能够提取不同步长的时间特征。同时通过多头自注意力机制计算各个电极之间脑电信号的注意力权重，使网络训练时更好得提取空间特征。此外，通过时间卷积网络提升了卷积核的感受野，让模型能够提取更高级的时间特征。经过实验证明，本发明提出的分类方法更能有效地提升对运动想象脑电信号的特征提取和分类性能。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了基于3D插值和3DCNN的运动想象任务分类方法，首先，对运动想象脑电信号进行带通滤波处理；然后，利用快速傅里叶变换(FFT)对每个电极的EEG信号进行频域变换，并求取功率值；接着，将头皮电极的3D坐标投影到3D空间中，并使用3D插值算法对功率值进行插值，生成包含电极的3D真实空间位置信息的3D插值特征图像；最后，设计了一个3D卷积神经网络(3DCNN)来匹配3D插值特征图像的特点进行特征提取和分类。本发明体现了运动想象激活的深度信息，将电极的精确三维空间信息编码到3D插值成像图中，较好地匹配了3DCNN的空间卷积能力。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种基于图神经网络的运动想象脑电信号分类方法，属于计算机软件领域。针对大脑区域处于非欧式空间的特点，提出一种基于图神经网络模型的Multi‑View Graph Convolution Net。首先，空间图卷积模块采用两个脑视图实现信息互补，使用自学习图构建功能脑视图，同时利用脑电电极的空间位置构建距离脑视图。然后，利用已构建的脑视图对输入的脑电信号进行特征提取，提取完成后将特征加权融合。空间图卷积模块能充分考虑脑电通道间的联系，提升脑电通道之间的信息交互。最后，利用时间卷积和空间卷积完成脑电信号的分类。本发明的分类方法能更有效地提取运动想象脑电信号的空间特征，进一步提高分类准确率。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为有效利用运动想象脑电信号(Motor Imagery Electroencephalogram,MI-EEG)的频域信息并精确反映脑电极之间的非线性因果交互作用,本文提出一种基于连续小波变换和符号传递熵的脑功能网络构建方法.首先,对每导MI-EEG进行连续小波变换,求得其时-频-能量矩阵;然后,将与运动想象密切相关的频带内各频率所对应的时间-能量序列依次拼接,得到各导联的一维时频能量序列;最后,基于任意两电极时频能量序列间的符号传递熵计算连接矩阵,构建脑功能网络.实验结果表明,以电极时频能量序列间的符号传递熵构建的脑功能网络,能够有效反映MI-EEG的时频特征和非线性特征信息传递,相比于传统脑网络构建方法,更有利于增强不同运动想象任务的可分性.

Keyword ：

运动想象脑电信号 连续小波变换 脑功能网络 脑-机接口 符号传递熵

Cite：

Copy from the list or Export to your reference management。

Abstract ：

迁移学习在基于运动想象脑电信号(MI-EEG)的脑机接口(BCI)康复系统中具有潜在的研究价值和应用前景,而源域分类模型及迁移策略是直接影响目标域模型性能与迁移效率的两个重要方面.为此,本文提出一种基于浅层视觉几何组网络(sVGG)的参数迁移学习(PTL)方法(PTL-sVGG).首先,基于皮尔逊相关系数法对源域受试者进行筛选,并对优选的受试者MI-EEG数据进行短时傅里叶变换,获得时频谱图(TFSI);然后,对视觉几何组网络-16 (VGG-16)进行结构简化与模块化设计,并利用源域TFSI完成改进的sVGG模型预训练;进而,设计基于模块的冻结—微调迁移策略,快速寻找并冻结sVGG模型中贡献最大的某个模块,再基于目标受试者TFSI微调其余模块,获得目标域分类模型.基于公开脑电信号(EEG)数据库进行实验研究,PTL-sVGG取得的平均识别率和卡帕(Kappa)值分别为94.9％和0.898.结果 表明,源域受试者优选有利于改善源域模型性能,基于模块的迁移策略有效提升了迁移效率,实现了基于不同导联数的数据库跨受试者间模型参数的快速有效迁移.这将有利于减少BCI系统的校准时间,促进BCI技术在康复工程中的应用.

Keyword ：

运动想象 迁移策略 参数迁移学习 视觉几何组网络 皮尔逊相关系数

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了基于4D数据表达和3DCNN的运动想象任务解码方法，对原始运动想象脑电信号MI‑EEG进行基线校正和带通滤波处理；将预处理后的MI‑EEG信号从低维头皮空间映射到高维脑皮层空间，获得偶极子源估计；结合偶极子坐标系转换、插值和体积下采样等操作，构建3D偶极子幅值矩阵；在TOI内设置滑窗，将窗内采样时刻对应的3D偶极子幅值矩阵按照采样顺序堆叠为4D偶极子特征矩阵；设计三模块级联结构的三维卷积神经网络3M3DCNN，对4DDFM含有的三维空间位置信息以及一维时间信息的复合特征进行提取和识别，实现运动想象任务解码；本发明避免了ROI的选择带来的大量信息丢失，并省去了时频分析等复杂操作步骤，有效提高了脑电信号的识别效果。

Cite：

Copy from the list or Export to your reference management。