基于多尺度空洞卷积网络的运动想象脑电信号分类模型

基于运动想象的脑机接口研究多采用单一尺度的特征提取方法，依赖固定感受野的卷积或递归结构，难以全面捕捉脑电信号的时序特征。针对以上问题，本文提出了一种基于多尺度空洞卷积的运动想象脑电信号分类（Multi-scale dilated convolutional network， MSDCN）模型。该模型首先利用两层一维卷积提取时空特征，然后通过多尺度空洞卷积增强对短时动态变化和长时依赖关系的建模能力，并结合压缩与激励（Squeeze-and-excitation， SE）模块学习通道权重，突出关键特征通道，提高分类性能。在BCI Competition Ⅳ 2a数据集上的被试内实验准确率达到84.1%的准确率，被试间实验准确率为69.1%；在BCI Competition Ⅳ 2b数据集上的被试内实验准确率达89.8%。