基于卷积神经网络的脑电信号分类

摘要：

针对现有卷积神经网络脑电信号(electroencephalogram,EEG)分类模型分类精度低、方法复杂且耗时的问题,对卷积神经网络的卷积层进行了改进,提出了多尺度卷积核卷积神经网络(convolutional neural networks,CNN)脑电分类模型,并在输入数据前加了系数矩阵,该系数矩阵可以随网络的训练逐步更新,代替了手工提特征再送入网络的步骤,有助于提高分类精度.最终本文的脑电分类模型在高原脑电信号的分类实验中,二分类准确率比改进前提高8％,三分类、四分类准确率分别达到92.87％、81.15％,分类准确率较高,对脑电信号的分类具有较高的参考价值.

关键词：多尺度卷积核、卷积神经网络、脑电、信号分类

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61976150,61472270

在线出版日期：2020-07-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：6135-6140