S'abonner

Classification of Motor Imagery EEG Based on Time-Domain and Frequency-Domain Dual-Stream Convolutional Neural Network - 24/03/22

Doi : 10.1016/j.irbm.2021.04.004 
E. Huang a, X. Zheng a, , Y. Fang b, Z. Zhang a
a School of Computer and Information Science, Southwest University, Chongqing, China 
b College of Electronic and Information Engineering, Southwest University, Chongqing, China 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 7
Iconographies 4
Vidéos 0
Autres 0

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

Dual-stream convolutional neural network can use original time domain signal and frequency domain signal as input.
Using time-frequency signal as input can achieve higher performance than using time-domain or frequency-domain signal alone.
The linear weighted fusion method can combine the time-domain features with the frequency-domain features.
The optimal weight value α for each subject can be searched.

Le texte complet de cet article est disponible en PDF.

Abstract

Background and objective

An important task of the brain-computer interface (BCI) of motor imagery is to extract effective time-domain features, frequency-domain features or time-frequency domain features from the raw electroencephalogram (EEG) signals for classification of motor imagery. However, choosing an appropriate method to combine time domain and frequency domain features to improve the performance of motor imagery recognition is still a research hotspot.

Methods

In order to fully extract and utilize the time-domain and frequency-domain features of EEG in classification tasks, this paper proposed a novel dual-stream convolutional neural network (DCNN), which can use time domain signal and frequency domain signal as the inputs, and the extracted time-domain features and frequency-domain features are fused by linear weighting for classification training. Furthermore, the weight can be learned by the DCNN automatically.

Results

The experiments based on BCI competition II dataset III and BCI competition IV dataset 2a showed that the model proposed by this study has better performance than other conventional methods. The model used time-frequency signal as the inputs had better performance than the model only used time-domain signals or frequency-domain signals. The accuracy of classification was improved for each subject compared with the models only used one signals as the inputs.

Conclusions

Further analysis shown that the fusion weight of different subject is specifically, adjusting the weight coefficient automatically is helpful to improve the classification accuracy.

Le texte complet de cet article est disponible en PDF.

Keywords : Brain-computer interface, Motor imagery, Time-domain, Frequency-domain, Convolutional neural network


Plan


© 2021  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 43 - N° 2

P. 107-113 - avril 2022 Retour au numéro
Article précédent Article précédent
  • Evaluation of Biomechanical and Stress Distribution of Different Dental Implant Designs: Primary Stability and Photoelastic Analysis
  • J.D.C. Tardelli, M.L. da Costa Valente, A.P. Macedo, A.C. dos Reis
| Article suivant Article suivant
  • Automated Deep Transfer Learning-Based Approach for Detection of COVID-19 Infection in Chest X-rays
  • N. Narayan Das, N. Kumar, M. Kaur, V. Kumar, D. Singh

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.