基于改进Transformer模型的运动想象脑电分类方法研究

摘要：

运动想象(MI)脑电信号本身是由一组较长且连续的特征值组成的信号序列,传统Transformer模型无法捕捉较长序列之间的依赖,设置固定长度的序列又会产生碎片化问题,因此有待进一步调整和优化.针对上述问题,在传统Transformer模型中加入了片段重用的循环机制和重用之前片段信息的相对位置编码机制,使Transformer模型能够学习更长特征序列的特征信息,同时解决重用片段之间的位置编码信息错乱和重用等问题.然后,通过并行多分支CNN进一步捕捉脑电局部特征.最后,利用竞赛数据集2008 BCI-Competition 2A对改进的Transformer模型性能进行评估.结果表明,在不做任何人工特征提取的前提下,对于四分类数据集,改进Transformer模型的平均准确率和kappa值分别为94.27％和87.34％.

关键词：计量学、脑电信号、运动想象、脑机接口、卷积神经网络、Transformer模型、片段循环机制、相对位置编码

所属期刊栏目：44

分类号：TB99;TB973(计量学)

资助基金：内蒙古自然科学基金项目2022MS06008

在线出版日期：2023-08-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1147-1153