基于双通道注意力网络的脑电图意图识别*

孙亚东，徐晓涛，章 军，陈 鹏

(1.安徽大学 电气工程与自动化学院，安徽 合肥 230601；2.安徽大学 互联网学院 农业生态大数据分析与应用技术国家地方联合工程研究中心，安徽 合肥 230601)

0 引 言

近年来，脑机接口(brain-computer interface，BCI)在学术界和工业界引起了广泛关注，它是一种使用脑电图(electroencephalography，EEG)信号使人能够与计算机或智能设备控制的人机交互技术[1]。EEG是一种获取与步行或站立等各种运动相对应的脑神经元电信号有效的方法，当受试者想象某些动作(例如抬腿)时，可以通过EEG信号分析这些动作，表示其意图[2]。

近年来，深度学习已成功地应用于图像分类和目标检测等领域。与传统算法相比，深度学习算法可以更加有效地学习EEG的潜在特征。为了提高分类性能，Schirrmeister R T等人使用卷积神经网络(convolutional neural network,CNN)对EEG信号进行识别[3]。考虑到EEG信号为一维时间序列数据，也可以在基于EEG信号的意图识别中采用了循环神经网络(recurrent neural network，RNN)，所以,Zhang D等人提出了一个7层RNN模型进行识别[4]。

综上所述，本文提出一种融合双通道模型—深度注意力卷积长短时期记忆(deep attention convolutional long short term memory，DACLSTM)网络，融合了CNN和RNN的优势，可以对EEG信号有效地提取特征。特别地，由于EEG数据的不同特征在分类中起着不同的作用，受注意力(attention)网络的启发[5]，可利用注意力机制关注重要的特征。使用正交矩阵进行参数调节，较传统的超参数调整方法可节省98.4 %的时间;所提出的框架通过Eegmmidb的公共数据集进行了广泛评估，实验结果表明该框架明显优于现有技术。

1 深度意图识别网络

本文提出的融合方法包含以下部分：深度特征学习，注意力机制和意图识别。……