《表5 不同方法的解码性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于时空特征学习卷积神经网络的运动想象脑电解码方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为进一步验证所提TSCNN方法的有效性，在BCI Competition IV-2a公开数据集上还开展了一些其他基于深度学习方法的对比实验。这些基于深度学习方法的网络结构与参数均是根据文献中的设定而来。表5列出本文方法与经典的CSP+SVM和FBCSP+SVM方法以及其他深度学习方法的平均解码性能结果。从表5整体上可以看出，相比经典的CSP+SVM和FBCSP+SVM方法，基于深度学习的方法在识别率和Kappa系数上都有显著的提升。然而，在算法的两个运行时间指标上看，基于深度学习的方法均比经典方法耗时，尤其训练集运行时间是经典方法的5倍以上。这归因于深度学习方法在训练神经网络各层参数过程中需要花费大量时间。Schirrmeister等[2 2]设计的深层（Deep CNN）和浅层（Shallow CNN）两种卷积神经网络结构由于卷积层没有充分考虑EEG信号的时域和空间域特性，在四类运动想象EEG公开数据集上测试的平均解码识别率仅为7 0.1 0%和71.90%，Kappa系数也比其他深度学习方法较低。虽然Pérez-Zapata等[19]以频域功率谱密度作为EEG信号的特征，结合设计的9层深度卷积神经网络（PSD+CNN），对四类运动想象EEG信号的平均解码精度能够达到87.97%，但是由于其网络结构较为复杂、优化参数较多、计算量较大，导致算法的运行时间较长，不适合EEG信号的在线解码应用。本文所提TSCNN方法不仅能够获得较高的解码识别率和Kappa系数，同时在运行时间上均比其他基于深度学习的方法要低，尤其测试集运行时间（18.04 s）与经典的FBCSP+SVM方法（16.95 s）基本相当。这说明相较于其他深度学习网络模型，本文方法能够兼顾分类正确率和分类效率，更适合在线解码应用。