采用新型深度学习算法的运动想象脑电图信号分类

脑电图（EEG）信号分类在各种生物医学和认知研究应用中起着关键作用，包括神经疾病检测和认知状态监测。然而，由于信号噪声、个体间变异性和实时处理需求，这些技术面临挑战并表现出降低的性能。因此，为了克服这些限制，本研究提出了一种新型模型用于运动想象（MI）脑电图信号分类。首先，所提方法的预处理阶段包括一种创新的混合方法，结合经验模态分解（EMD）来提取内在信号模式。此外，使用连续小波变换（CWT）进行多分辨率分析。为了增强空间特征，所提方法利用源功率相干性（SPoC）与常见空间模式（CSP）结合，以实现强大的特征提取。最后特征分类采用自适应深度信念网络（ADBN）。为了提高性能，分类网络的参数使用远近优化（FNO）算法进行了优化。这种组合方法在EEG信号分析中提供了卓越的分类准确性和对各种条件的适应性。所提方法的评估使用了基准BCI比赛IV数据集2a和Physionet数据集。在BCI数据集中，所提方法实现了95.7%的准确率、96.2%的召回率、95.9%的精确率和97.5%的特异性。此外，在PhysioNet数据集上，其准确率为94.1%、召回率为94.0%、精确率为93.6%和特异性为95.0%。在结果更好的情况下，所提模型的性能优于现有方法，如CNN、LSTM和BiLSTM算法。