As an important part of brain‐computer interface (BCI), the electroencephalography (EEG) technology of motor imagery (MI) has been gradually recognized for its great theoretical value and practical application. In this study, in view of the different MI tasks corresponding to active region of the EEG signals, we adopt a two‐dimensional form including time, frequency, and electrode location information, then we design a classification method containing continuous small convolutional neural network (CSCNN). This method is mainly used for feature extraction through continuous small convolutional kernels and one rectangle convolutional kernel, and the softmax classifier for classification. In the experiment, classification accuracy and kappa value are used as evaluation criteria to verify the effectiveness of the method proposed in this study. For classification accuracy, BCI competition IV data set 2b is used to compare with the other five classification methods (CNN, CNN‐SAE, stacked autoencoder [SAE], support vector machine [SVM], and one‐dimensional convolution combined with gated recurrent unit [1DCGRU]). The results demonstrate that the overall accuracy of CSCNN is higher than other methods, and CSCNN obtains an average accuracy of 82.8%. For kappa value, BCI competition IV data set 2b is used to compare with the other three methods (filter bank common spatial pattern [FBCSP], Twin SVM, and CNN‐SAE). The performance of CSCNN is better with an average value of 0.663. Overall, the results show that CSCNN maintains a small number of parameters and improves the classification accuracy.

中文翻译：

---

基于连续小卷积神经网络的运动图像脑电信号分类

作为脑机接口（BCI）的重要组成部分，运动图像（MI）的脑电图（EEG）技术因其巨大的理论价值和实际应用而逐渐被人们所认可。在这项研究中，鉴于对应于EEG信号活动区域的不同MI任务，我们采用时间，频率和电极位置信息的二维形式，然后设计一种包含连续小卷积神经网络的分类方法（ CSCNN）。该方法主要用于通过连续小卷积核和一个矩形卷积核的特征提取，以及用于分类的softmax分类器。在实验中，使用分类准确性和kappa值作为评估标准，以验证本研究中提出的方法的有效性。为了分类准确，使用BCI竞争IV数据集2b与其他五种分类方法（CNN，CNN-SAE，堆叠式自动编码器[SAE]，支持向量机[SVM]和与门控递归单元组合的一维卷积）进行比较[1DCGRU]）。结果表明，CSCNN的总体准确性高于其他方法，CSCNN的平均准确性为82.8％。对于Kappa值，使用BCI竞争IV数据集2b与其他三种方法（滤波器组公共空间模式[FBCSP]，Twin SVM和CNN-SAE）进行比较。CSCNN的性能更好，平均值为0.663。总体而言，结果表明，CSCNN保留了少量参数并提高了分类准确性。BCI竞争IV数据集2b用于与其他五种分类方法（CNN，CNN-SAE，堆叠式自动编码器[SAE]，支持向量机[SVM]以及与门控递归单元[1DCGRU]组合的一维卷积）进行比较。 。结果表明，CSCNN的总体准确性高于其他方法，CSCNN的平均准确性为82.8％。对于Kappa值，使用BCI竞争IV数据集2b与其他三种方法（滤波器组公共空间模式[FBCSP]，Twin SVM和CNN-SAE）进行比较。CSCNN的性能更好，平均值为0.663。总体而言，结果表明，CSCNN保留了少量参数并提高了分类准确性。BCI竞争IV数据集2b用于与其他五种分类方法（CNN，CNN-SAE，堆叠式自动编码器[SAE]，支持向量机[SVM]以及与门控递归单元[1DCGRU]组合的一维卷积）进行比较。 。结果表明，CSCNN的总体准确性高于其他方法，CSCNN的平均准确性为82.8％。对于Kappa值，使用BCI竞争IV数据集2b与其他三种方法（滤波器组公共空间模式[FBCSP]，Twin SVM和CNN-SAE）进行比较。CSCNN的性能更好，平均值为0.663。总体而言，结果表明，CSCNN保留了少量参数并提高了分类准确性。一维卷积与门控递归单元[1DCGRU]相结合）。结果表明，CSCNN的总体准确性高于其他方法，CSCNN的平均准确性为82.8％。对于Kappa值，使用BCI竞争IV数据集2b与其他三种方法（滤波器组公共空间模式[FBCSP]，Twin SVM和CNN-SAE）进行比较。CSCNN的性能更好，平均值为0.663。总体而言，结果表明，CSCNN保留了少量参数并提高了分类准确性。一维卷积与门控递归单元[1DCGRU]相结合）。结果表明，CSCNN的总体准确性高于其他方法，CSCNN的平均准确性为82.8％。对于Kappa值，使用BCI竞争IV数据集2b与其他三种方法（滤波器组公共空间模式[FBCSP]，Twin SVM和CNN-SAE）进行比较。CSCNN的性能更好，平均值为0.663。总体而言，结果表明，CSCNN保留了少量参数并提高了分类准确性。BCI竞争IV数据集2b用于与其他三种方法（滤波器组公共空间模式[FBCSP]，Twin SVM和CNN-SAE）进行比较。CSCNN的性能更好，平均值为0.663。总体而言，结果表明，CSCNN保留了少量参数并提高了分类准确性。BCI竞争IV数据集2b用于与其他三种方法（滤波器组公共空间模式[FBCSP]，Twin SVM和CNN-SAE）进行比较。CSCNN的性能更好，平均值为0.663。总体而言，结果表明，CSCNN保留了少量参数并提高了分类准确性。