摘要
目的 本研究旨在探讨基于卷积神经网络(convolutional neural network,CNN)提高二分类运动想象任务识别准确率的可行性.方法 收集2020年9-12月在上海市第二康复医院康复科住院的10例脑卒中患者资料,患者均为右侧上肢瘫痪,年龄为(55.3±11.0)岁,其中女性5例.应用CGX Quick-30的30导联干电极脑电帽采集受试者的脑电信号(EEG),采集的EEG各个电极位置符合10-20国际标准导联系统.运动想象任务为单侧上肢精细运动想象,具体为右手抓握和右肘摆动.针对运动想象任务二分类,提出自适应CNN迁移学习模型,并从多个层面验证该模型在脑卒中患者EEG分类中的准确性及其算法性能.首先,验证基准CNN算法性能(即单一个体模型),即不进行任何迁移,使用同一个体的训练集生成模型,应用测试集得到分类准确率,与使用同样的数据集划分的其他深度学习算法比较.其次,验证自适应CNN迁移模型性能,分类准确率应高于特定受试者的单一个体模型和由其他个体数据形成的预训练模型.模型比较全程应用交叉验证的方法,其中在基准CNN的分类结果分析中,所有的单一个体模型使用10折交叉验证,预训练模型和自适应模型均使用5折交叉验证.结果 在10例脑卒中患者试验数据上进行验证,自适应CNN迁移模型的分类准确率为0.770 4±0.049 3,高于单一个体模型的0.616 8±0.071 5和预训练模型的0.533 6±0.034 2.并且,10例脑卒中患者中,有8例患者分类准确率超过了 0.700 0;该8例患者中有4例超过了 0.800 0.结论 通过优化网络结构和训练策略,CNN能够显著提高二分类运动想象任务的分类识别准确率,从而为运动想象EEG的处理和分析提供了新思路,也为基于脑机接口的运动康复训练等领域的发展提供了有力支持.
维普
万方数据