带你了解脑电信号分类的多频带融合方法

多频带融合（MFBF）一种用于脑电图 (EEG) 运动图像 (MI) 信号分类的新型卷积神经网络 (CNN) 融合方法，该方法被命名为 MFBF，象征多频带融合。

MFBF 方法依赖于过滤具有不同频带的输入信号，并将每个频带信号馈送到 CNN 模型的副本；然后，将所有重复项连接起来形成融合模型。

MFBF方法的优点是可以灵活选择任意模型和任意数量的频段。所提出的方法如图 1所示，可以灵活地选择任何神经网络模型和任意数量的频带。

使用 Coleeg 软件进行评估过程；选择CNN1D模型构建CNN1D_MFBF模型。描述 CNN1D 模型的框图如图 2所示。

在实验评估中，使用CNN1D模型和三个频段形成CNN1D_MFBF模型，并在三个不同的数据集上针对EEGNet_fusion模型进行评估，分别是：Physionet，BCI Competition IV-2a，以及(MTA-TTK)的数据集。

来自三个数据集的信号以 100 Hz 的频率重新采样，并且加载的数据是平衡的，以便每个受试者在每个类别中都有相同数量的试验事件。数据被归一化为具有零均值和单位标准偏差。

在 CNN1D 和 CNN1D_MFBF 模型中不使用 batch normalization 阶段。评估过程考虑了两种情况。

第一种是没有使用多波段滤波的地方，它被应用于 CNN1D 和 EEGNet_fusion 模型。

第二种情况是使用以下频段过滤信号：0.5–8.0 Hz、8.0–13.0 Hz 和 13.0–40.0 Hz。

CNN1D 模型可以在其输入端接受单个或多个频带。通过将受试者分为五组并对每组进行 500 个时期的评估，对每个数据集进行跨受试者验证。图3、4、5分别显示了 Physionet、BCI Competition IV - 2a 和 MTA-TTK 数据集的两种场景的平均准确度与分段的关系。

当将CNN1D_MFBF模型与EEGNet_fusion模型进行比较时，它为 BCI Competition IV-2a 数据集提供了相当的精度结果，为 Physionet 和 MTA-TTK 数据集提供了更好的精度结果。

当考虑评估时间时，CNN1D_MFBF模型的优势是显而易见的，其所用时间不到 EEGNet_fusion 模型所用时间的五分之一。实验结果还表明，即使未使用融合，为 CNN1D 模型提供多个波段也会提高准确性。

为了获得关于准确性的数值洞察力，表2显示 EEGNet_fusion 在 BCI Competition IV-2a 数据集上*超过 CNN1D_MFBF 模型 0.7%，而在 Physionet 和 MTA-TTK 数据集上分别落后 1.7% 和 2.5%。