Classification EEG basée sur LSTM dans les tâches d’imagerie motrice

La classification des signaux d’électroencéphalographie d’imagerie motrice est un problème fondamental dans les systèmes d’interface cerveau-ordinateur (BCI). Nous proposons dans cet article un cadre de classification basé sur les réseaux à mémoire à long terme (LSTM). Pour obtenir une classification robuste, une approximation agrégée en une dimension (1d-AX) est employée pour extraire une représentation efficace du signal pour les réseaux LSTM. Inspirée par la technique classique des patterns spatiaux communs, une pondération des canaux est également déployée pour améliorer l’efficacité du cadre de classification proposé. Des données publiques de compétition BCI sont utilisées pour évaluer l’extraction de caractéristiques et le réseau de classification proposés, dont la performance est également comparée à celle des approches à la pointe basées sur d’autres réseaux profonds.