基于CNN-CBAM-LSTM的稳态视觉诱发电位脑电信号识别方法

在使用传统方法处理稳态视诱发电位(steady-state visual evoked potentials, SSVEP)的脑电信号时,特征提取的准确性和充分性存在不足,影响信号的识别准确率。为此提出了一种基于卷积神经网路(convolutional neural networks, CNN)与卷积注意力机制模块(convolutional block attention module, CBAM)和长短时记忆网络(long short-term memory, LSTM)的信号分类识别方法。以CNN为基础框架,通过引入注意力机制对通道及空间特征进行充分提取,加入LSTM提高对时序特征的提取能力,实现对SSVEP信号的目标识别。实验结果显示,所提方法能够充分有效的提取各级特征且识别准确率较高,相比于典型相关分析方法(canonical correlation analysis, CCA)、CNN、CBAM-LSTM、CNN-CBAM识别准确率分别提高了5.3%、2.95%、2.27%、1.71%,可见该模型对SSVEP信号的分类识别有较好的效果。