3、基于脉冲神经网络的脑电图信号运动想象任务分类

基于脉冲神经网络的脑电图信号运动想象任务分类

一、引言

脉冲神经网络（SNN）是一类特殊的人工神经网络，神经元通过脉冲序列进行通信。它基于神经元生物模型，为时空分析提供了强大工具，不仅能解决非脉冲神经网络可解决的问题，在计算能力上还超越了感知器和S型门。不过，目前SNN在模式识别领域并不十分流行。

脑机接口（BCI）是一个有前景的研究领域，通过分析头皮表面记录的脑电活动实现人机通信。BCI系统的关键在于如何通过分析脑电图（EEG）信号识别受试者执行的心理任务。本研究提出将SNN模型用于运动想象（MI）EEG信号分类，SNN具有高度的真实性，能对时空信息进行分析。通过系统评估程序，结果显示该模型平均准确率达81.36%，分别比多层感知器（MLP）（2,1）、MLP（2n + 1, 1）和K近邻（KNN）高出11.14%、0.82%和1.91%。

1.1 EEG信号采集

本研究使用的数据集来自格拉茨工业大学知识发现研究所（脑机接口实验室）举办的“BCI Competition IV”。数据集包含四个类别的144次试验，分别是左手、右手、脚部和舌头的运动想象，另外取初始2秒时间窗口生成第五类“休息”。运动想象EEG信号从t = 3 s到t = 5 s提取，休息状态信号从t = 0 s到t = 2 s提取，最终得到五个心理任务用于分类。

二、特征提取

本研究采用了两种特征提取方法：功率谱密度（PSD）和小波分解（WD），每次试验包含22个EEG通道，仅选择其中12个进行分析。

2.1 功率谱密度（PSD）

EEG信号的PSD已被用作识别运动阶段的特征，因为在运动执行、想象或尝试