运动想象脑电分类的脑通道-时间-频谱-注意相关

运动想象脑电分类的脑通道-时间-频谱-注意相关
EEG-Channel-Temporal-Spectral-Attention Correlation for Motor Imagery EEG Classification

来源

期刊： IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING
作者： Wei-Yen Hsu , Senior Member, IEEE, and Ya-Wen Cheng
网址： https://ieeexplore.ieee.org/document/10065454

摘要

  
方法： 基于小波的时间-频谱-注意力相关系数( WTS-CC )，以同时考虑空间域、脑电通道域、时间域和频谱域的特征及其权重。
初始时序特征提取( i TFE )模块提取MI脑电信号的初始重要时许特征；提出深度脑电-通道注意力( Deep EEG-Channel Attention，DEC )模块，根据每个脑电通道的重要性自动调整其权重，从而有效增强更重要的脑电通道，抑制更不重要的脑电通道。接下来，提出了小波基时间谱注意力( Temporal-Spectral-Attention，WTS )模块，通过在二维时频图上对特征进行加权来获得不同MI任务之间更显著的判别特征。最后，使用一个简单的判别模块进行MI脑电判别。
结果： 提出的WTS - CC方法在3个公开数据集上的分类准确率、Kappa系数、F1值和AUC值均优于现有方法。

方法

初始时间特征提取模块（iTFE Module）： iTFE模块包括形状变换层和时间卷积层，直接对原始脑电信号进行卷积操作提取初步特征；将原始EEG信号从原始时间表征转换为二维形式；再使用三个不同大小的卷积核进行卷积操作，提取不同大小的特征信息。
深度脑电-通道-注意力模块( Deep EEG-Channel-Attention Module， DEC Module )： DEC根据每个脑电通道的重要性自动调整其权重，从而有效增强更重要的脑电通道，抑制不太重要的脑电通道；SEC通过“挤压"操作对输入特征图进行特征重标定。该部分对每个EEG通道的输入特征图进行全局平均池化，使得每个通道的二维特征图被压缩为一个全局特征来进行表示，以达到提取通道信息特征的目的；再通过"激励"操作来预测每个EEG通道的重要性；通过学习到的通道权重和特征图之间进行加权，将生成的通道信息应用于输入特征。
基于小波变换的时间-频谱-注意力模块( WTS Module）： 先通过连续小波变换转化为二维时频谱特征图，然后将同类型的MI任务脑电信号进行合并，用独立样本T统计量来判断两组不同MI任务之间的特征差异程度；T统计实验有两个阶段，先是左右手作为A组，脚和舌头做一组，做独立样本T统计，再将A组中的左右手分开做第二阶段T统计量实验，计算T统计量，作为时频特征权重，乘以每个试次的二维时频谱特征图，绘制AB组的t统计量加权平均时频普特征图，作为后续评估的基准。
判别模块（Discrimination Module）： 计算样本与A B组的相关系数进行对比，哪个相关系数高，就属于哪类

结果

在不同数据集中的对比
数据集1：四分类精度81.45
数据集2：二分类精度81.78
数据集3：小样本学习精度83.31（20个被试 每人20个trial）