基于增强卷积神经网络模型的运动想象脑电信号识别方法

目的 针对运动想象脑电信号分类中模型泛化能力弱和分类精度不高的问题,提出一种基于增强卷积神经网络模型的识别方法.方法 首先采用短时傅里叶变换获取脑电时频图,构建卷积神经网络(CNN)模型,并加入dropout层防止网络训练过拟合;然后将多个预训练CNN模型作为基学习器,改进的AdaBoost算法根据分类误差率自动更新基学习器,将学习后的基学习器线性组合得到增强卷积神经网络模型;最后采用增强模型对测试数据进行分类并以kappa值作为评价指标.结果 通过增强CNN得到在BCI Competition Ⅳ 2b数据集上的kappa值为0.63,相较于竞赛优胜者提高了0.3,相比传统SVM方法提高了0.13.结论 增强卷积神经网络模型能有效识别运动想象脑电信号,具有较好的泛化能力且能改善分类效果.