基于高效通道注意力模块的运动想象脑电识别.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第12期总第340期文章编号：1006-2475（2023）12-0019-05收稿日期：2023-01-11；修回日期：2023-02-21基金项目：国家自然科学基金资助项目（11574120）；江苏省产业前瞻与共性关键技术项目（BE201803）作者简介：周成诚（1994），女，陕西安康人，硕士研究生，研究方向：脑电信号处理和识别，E-mail：；通信作者：曾庆军（1969），男，江苏镇江人，教授，硕士生导师，博士，研究方向：机器人传感与人机交互，导航与控制，E-mail：；杨康（1995），男，广东茂名人，博士研究生，研究方向：芯片 EDA 与人工智能，E-mail：；胡家铭（1996），男，江苏徐州人，硕士研究生，研究方向：手部康复机器人和肌电信号识别，E-mail：；韩春伟（1998），男，江西九江人，硕士研究生，研究方向：康复机器人和信号处理，E-mail：。0引言大脑是人体的中枢神经系统和活动控制中心，人们依靠大脑活动来控制身体对外界刺激做出相应的反应。脑-机接口（Brain-Computer Interface，BCI）为大脑与外部设备之间的通信建立了一个新的通信渠道，它通过对脑电信号的采集和分析来解码用户的运动意图，从而完成大脑与外部控制设备进行交互 1-3。目前，BCI的研究热点之一是运动想象脑电信号（MotorImagination-Electroencephalogram，MI-EEG），它可以完成操纵双臂机器人、控制无人机，也被广泛应用于康复训练领域，其根本原因在于通过“解码”MI-EEG基于高效通道注意力模块的运动想象脑电识别周成诚1，曾庆军2，杨康3，胡家铭1，韩春伟1（1.江苏科技大学计算机学院，江苏 镇江 212003；2.江苏科技大学自动化学院，江苏 镇江 212003；3.北京邮电大学集成电路学院，北京 100876）摘要：基于运动想象的脑机接口技术有助于手部运动障碍的患者康复，因而广泛被用于康复医疗领域。针对目前运动想象脑电信号信噪比低，导致运动想象左右手脑电信号（Motor Imagination-Electroencephalogram，MI-EEG）分类效果不佳的问题，本文鉴于注意力模块能够关注与运动想象分类任务相关的重要特征和忽视不重要特征的特性，提出一种基于高效通道注意力（Efficient Channel Attention，ECA）模块的卷积神经网络对左右手MI-EEG进行特征提取和分类。为便于卷积神经网络（Convolutional Neural Network，CNN）对脑电信号进行识别，本文使用小波变换将脑电时序信号转换为二维时频图；然后调整基于ECA模块的CNN结构和参数；最后，对本文方法在脑电信号数据集上进行实验。实验结果表明，与一些基于深度学习的运动想象分类识别方法相比，基于ECA模块的CNN能够有效提升MI-EEG的识别准确率，说明本文方法在运动想象脑电识别方面具有有效性。关键词：运动想象；脑电信号识别；小波变换；高效通道注意力模块；卷积神经网络；脑机接口中图分类号：R338.2；TP391文献标志码：ADOI：10.3969/j.issn.1006-2475.2023.12.004EEG Recognition of Motor Imagination Based on Efficiency Channel Attention ModuleZHOU Cheng-cheng1，ZENG Qing-jun2，YANG Kang3，HU Jia-ming1，HAN Chun-wei1（1.College of Computer Science，Jiangsu University of Science and Technology，Zhenjiang 212003，China；2.College of Automation，Jiangsu University of Science and Technology，Zhenjiang 212003，China；3.College of Integrated Circuits，Beijing University of Posts and Telecommunications，Beijing 100876，China）Abstract：The brain-computer interface technology based on motor imagination is helpful to the rehabilitation of patients withhand movement disorders，so it is widely used in the field of rehabilitation medicine.Aiming at the problem of poor classificationof motor imagination-electroencephalogram（MI-EEG）due to its low signal-to-noise ratio in current motor imagination-electroencephalogram，in view of the ability of the attention module to focus on important features related to motor imaginationclassification tasks and ignore unimportant features，we propose a convolutional neural network based on the efficient channel attention（ECA）module for feature extraction and classification of left and right-handed MI-EEG.In order to facilitate the recognition of EEG signals by convolutional neural network（CNN），this paper uses wavelet transform to convert the timing signals of C3and C4 channels into two-dimensional time-frequency graphs，then designs a CNN structure and parameters based on ECA.Finally，the proposed method is tested on EEG data set.The experimental results show that compared with CNN and the CNNmethod based on fusion convolution attention，the CNN method based on ECA can effectively improve the recognition accuracy ofMI-EEG，indicating that the proposed method is effective in motor imagination EEG recognition.Key words：motor imagination；EEG recognition；wavelet transform；efficiency channel attention module；convolutional neuralnetwork；brain-computer interface计算机与现代化2023年第12期来感知因中风导致手部瘫痪的患者的手部运动意图4-6。因此，许多解码脑电信号的机器学习方法被研究者提出来，包括自回归模型7、共空间模式8（Common Spatial Patterns，CSP）、滤波器组共空间模 式9（FilterBankCommonSpatialPatterns，FBCSP）的特征提取方法以及线性判别分析10（Linear Discriminant Analysis，LDA）、支 持 向 量 机11（Support Vector Machines，SVM）、贝叶斯线性回归12的分类方法。大量研究表明，虽然传统的特征提取和分类方法相对成熟，但是面对复杂的脑电图信号识别分类问题仍存在一些缺陷。近年来，深度学习的发展为语音识别、计算机视觉、自然语言处理等领域提供了一种重要的技术，并表现出相当出色的性能13-15。因此，许多研究者也开始研究基于卷积神经网络（Convolutional Neural Network，CNN）的脑电图信号分类识别，并获得了相当不错的分类效果。文献 16 为突出各个通道之间以及每个通道内的特征，提出了一种结合条件经验模式分解和串并行卷积神经网络的脑电信号识别方法，在自行采集和公共数据集上的平均识别率分别达到94.58%和82.13%；文献 17 提出将多个CNN基学习器线性组合，并用AdaBoost算法自动更新基学习器的增强卷积神经网络模型对左右手运动想象进行分类，相较于竞赛优胜者和传统SVM方法，其Kappa值均有所提高；文献 18 提出了一种卷积神经网络-极限学习机分类识别模型，使用ELM取代CNN的最后一层，相比传统的学习算法更快，并且通过ACGAN对S变换生成的时频图进行数据增强来提高模型的分类性能。然而，这些模型虽然为 MI-EEG的识别提供了方法理论并取得了优于传统分类方法的性能优势，但是忽视了不同通道的脑电信号与识别任务的相关性，导致准确率不是特别高。考虑到不同通道的脑电信号与识别任务的相关性，本文将高效通道注意力（Efficient Channel Attention，ECA）模块19引入CNN分类模型中，并将此模型应用到BCI数据集上。实验结果表明，ECA模块能够提高模型的性能，所提方法比近几年其他研究者使用CNN结构的分类方法具有更高的准确率。1实验数据及预处理本文所采用的脑电数据集来源于公共数据集BCI Competition Dataset 20，此记录来源于一名正常受试者（女性，25岁）。实验使用G.tec放大器和 Ag/AgCl电极测量了 C3、Cz和 C4这 3个双极 EEG通道，导联位置如图1所示，EEG采样频率为128 Hz，滤波频率为0.530 Hz。在采集EEG信号的实验中，每隔0.52 s进行一次试验，每次试验时间为 9 s，共 280 次。实验开始前，受试者被要求端坐在椅子上，正对前方电脑屏幕。实验开始后，前2 s受试者保持安静放松的状态，在t=2 s时，一个声刺激指示试验开始，提醒受试者需要集中注意力准备实验，并在1 s内显示一个“+”字，第39 s，屏幕会随机显示指向左（或指向右）的箭头，同时要求受试者按照箭头指示进行左手（右手）的运动想象任务。实验范式如图2所示。图1导联位置图图2数据采集实验范式EEG是一种复杂的生物信号，其 ERD/ERS模式主要反映在830 Hz频段。EEG信号的预处理主要是滤除与运动想象任务无关的频率成分，如肌电信号大部分分布在大于30 Hz的频率范围；眼动信号集中在5 Hz以下的频率范围。因此，本文采用830 Hz频段的带通滤波器对BCI竞赛数据集进行滤波处理。由于CNN适用于图像的处理，而脑电信号是一种时序信号。为此，本文利用小波变换21-23将经过滤波后的原始信号从一维信号转换为二维信号，它对原始信号x（t）进行如下线性运算：s，(t)=1s(t-)s)（1）w(s，)=1s-+x(t)*(t-)s)dt（2）其中：s,(t)是由母小波函数(t)经位移和伸缩产生的一簇函数，w(s，)称为小波基函数；*(t)是(t)的复共轭；s和都是连续变化的参数，分别表示缩放和平移参数。在本文中采用Morlet小波函数，随着的变化，对小波函数在频率为s与原始信号x（t）相乘并积分得到一个变换值，将一维的时域信号转为二维的时频信号。2高效通道注意力模块注意力是人脑的基本功能，可以通过对特定物体的关注放大特定的神经元活动和抑制其他神经元的活动（大脑的“噪音”）来改变感知，即在整个场景中重点关注某些重要部分，同时忽略某些不重要的部分。与此类似的是，注意力机制也是一种在计算机视觉中通过自主学习使神经网络不仅能够关注到相关的重32321C3CzC415 cms202023年第12期要特征，而且同时忽略不重要特征的有效机制。目前，注意力机制有硬注意力机制和软注意力机制，其中软注意力又包括：空间注意力机制、通道注意力机制以及混合注意力机制，即在空间维度和通道维度增加注意力机制24-25。由于本文使用的脑电数据存在许多环境干扰因素，在模型识别过程中会有相当大的噪声。随着网络层数的增加，在模型学习过程中，特征图中噪声信息的权重也会增加，最终会对模型产生一定的负面影响，所以本文重点关注通道注意力机制。通道注意力机制削弱了含有噪声的通道并减轻了它们的权重，从而减少噪声和其他干扰因素对模型识别任务的负面影响。ECA是通道注意力机制的一种实现形式，使用一维卷积组合相邻通道得到加权特征，补偿特征降维引起的缺陷，实现局部跨通道交互，更好地识别脑电信号相关区域的特征。此外，ECA参数量和复杂度较低，不会过多地增加网络模型的存储和计算开销。ECA模块的结构如图3所示。图3ECA模块的结构图3中，W表示特征图的宽度，H表示特征图的高度，C表示通道数，U表示原始特征，GAP表示全局平均池化操作，表示Sigmoid激活函数，U表示加权特征。首 先，使 用 全 局 平 均 池 化 来 聚 合 输 入 要 素U RW H C的每个通道的空间信息，得到11C的特征图。全局平均池化操作如公式（3）所示：GAP(U)=1（W H）i=1,j=1W,HUi,j（3）然后，利用动态的卷积核大小为k的一维卷积对GAP（U）进行卷积运算，学习不同通道之间的重要性。卷积核自适应函数以及权重R11C的定义如下：k=(C)=|log2(C)+|b odd（4）=Sigmoid(C1Dk(GAP(U)（5）其中，式（4）中k表示卷积核大小，C表示通道数，|odd表示k只能取奇数，和b用于改变通道数C和卷积核大小之间的比例；式（5）中，向量用来调整每个通道的注意力权重，Sigmoid函数用于计算一维卷积输出的激活值，表示特征通道的局部关系和重要性，C1D表示一维卷积。最后，对U和的每个通道特征进行重编码，逐个元素相乘得到特征图通道集U。3基于高效通道注意力模块的分类方法一个完整的CNN结构通常包括输入层、卷积层、池化层和全连接层26，其作用是能够自适应地提取脑电信号中隐藏的特征信息，但也存在一个问题：在提取脑电信号特征的时候，CNN无法关注到通道中与分类任务相关的重要特征信息。高效通道注意力模块是通道注意力机制的一种模块，将其应用在CNN中，不仅可以聚焦与运动想象分类任务相关的特征信息，而且能够有效提高模型的性能。MI-EEG数据集是小样本数据集，CNN适用于从大量数据中学习特征，若将MI-EEG数据集直接应用在CNN中，很容易发生过拟合现象。为了避免此现象，需要适当地调整CNN的网络结构，使之满足本文小样本数据集的要求。因此，本文提出一种基于高效通道注意力模块的卷积神经网络模型，网络结构如图4所示。图4基于高效通道注意力模块的卷积神经网络模型首先，本文提取原始脑电信号C3、Cz、C4通道830 Hz 频段的脑电信号，将经过小波变换得到的二维时频图作为神经网络模型的输入，图像调整为6464。然后，通过2层卷积层自动提取与左右手运动想象相关的特征，其中，卷积层1使用8个大小为44的卷积核来提取图像中的空间和时间频域低层次特征；卷积层2使用32个大小为44的卷积核来提取更高阶的全局特征。2层卷积层均采用ReLU激活函数，并对其输出数据进行批量标准化处理。为了使模型尽可能多地获取到与 EEG 分类任务有关的特征信息，在卷积层1之后插入ECA模块，该模块分别沿着卷积层1输出的特征图的通道维度和空间维度对此特征图进行调整并强化特征图关键通道和空间位置的信息，对通道注意力信息进行补充，同时捕获位置信息和通道关系，以提高模型在复杂环境中关注有效特征的能力。在池化层中，本文采用最大池化来筛选特征，减小数据维度，捕获卷积运算输出的最重要的抽象特征，同时保证特征的局部不变性。最后，经过全连接层将池化层输出的特征进行平面化后，输出层采用softmax分类器对运动想象二分类任务进行分类并输出最终分类结果，其神经元数目分别为128和2。4实验及结果分析本文将所提方法应用在BCI数据集上，设置训练迭代次数为300次，经过多次实验，对模型参数进行调整优化，将在验证集上准确率最高的模型作为本文方法的最终模型。本文在未引入高效通道注意力模块时，由于卷积层决定了卷积神经网络模型的深度，为了构建合适的网络结构，则对不同卷积层数进行研究。识别准确率结果如表1所示。CUHWGAP11C11CCUHW全连接层输出层输入层6464卷积层16464卷积层26161池化层5858ECA模块6161卷积核1（44）卷积核2（44）卷积核3（22）周成诚，等：基于高效通道注意力模块的运动想象脑电识别21计算机与现代化2023年第12期表1不同卷积层数识别准确率对比卷积层数234识别准确率/%83.3380.7183.04可以看出，当卷积层数为2时，卷积神经网络模型具有最好的识别效果，其平均准确率达到83.33%。对基于高效通道注意力模块的卷积神经网络模型来说，注意力模块的数量不同决定了不同的网络结构，甚至直接影响最终的准确率。因此，本文设置了一组对比实验，在卷积神经网络模型的第1层卷积层后和卷积神经网络模型的每层卷积层后分别插入ECA模块，即分别插入1个ECA模块和插入2个ECA模块。实验结果如图5所示。图5不同ECA模块数量的模型分类准确率加入ECA模块后，模型的准确率相较于未加入ECA模块时的准确率出现较少的震荡，能够平稳地收敛。此外，插入 1 个 ECA 模快的平均准确率为88.07%，插入2个ECA模块的平均准确率为86.30%，显然插入 1 个 ECA 模块的识别性能优于插入 2 个ECA模块的识别性能。因此，本文的分类模型是基于1个ECA模块的卷积神经网络模型。为了评估本文方法对左右手运动想象脑电信号的识别性能，将本文提出的模型与使用同一数据集进行研究的其他分类识别方法进行对比，其平均识别准确率如表2所示。其中文献 27 兼顾脑电的时间、频率和空间信息，提出了一种基于希尔伯特-黄变换（Hilbert-Huang Transform，HHT）和CSP的脑电信号特征提取并用SVM分类的方法，记为HCHT+SVM；文献 28 针对自用型运动想象 BCI系统设计了 2种分类方法：SVM 和自回归模型（Autoregressive Model，AR）与 SVM 相结合，记为 AR-SVM；文献 29 中由 2个子网络构成的经典孪生神经网络；以及未引入ECA模块时的含有2层卷积层的CNN分类模型，记为CNN。由表2可知，通过引入ECA模块与未引入ECA模块的CNN分类模型实验结果对比得知，引入ECA模块的CNN分类模型的平均准确率高于未引入ECA模块的CNN分类模型，这表明ECA模块能够让模型更加关注信息量大的通道特征，在不增加模型的训练周期以及计算开销的前提下，有效地提升模型的准确率；其次，本文方法的平均准确率相较于文献 27、文献 28、文献 29 有一定的提升，说明在运动想象分类识别任务中，本文方法具有优越性。5结束语本文针对脑电信号分类识别问题提出了一种基于ECA模块的卷积神经网络模型，并在BCI竞赛数据集上展开研究。实验结果表明，与近几年使用CNN模型对 MI-EEG 进行分类的结果相比，本文方法在MI-EEG分类识别上能够获得更优的识别精度。参考文献：1 刘琳琳，陈健，李松，等.基于相位同步与AR的运动想象脑电信号特征提取研究 J.软件导刊，2018，17（3）：7-10.2 王行愚，金晶，张宇，等.脑控：基于脑-机接口的人机融合控制 J.自动化学报，2013，39（3）：208-221.3 唐建友.结合脑电信息的多自由度肌电假手研究 D.杭州：杭州电子科技大学，2009.4NOURMOHAMMADI A，JAFARI M，ZANDER T O.Asurvey on unmanned aerial vehicle remote control usingbrain-computerinterface J.IEEETransactionsonHuman-Machine Systems，2018，48（4）：337-348.5 WANG H T，LI T，BEZERIANOS A，et al.The control ofa virtual automatic car based on multiple patterns of motorimagery BCI J.Medical&Biological Engineering&Computing，2019，57（1）：299-309.6LIU Y L，SU W B，LI Z J，et al.Motor-imagery-basedteleoperation of a dual-arm robot performing manipulationtasks J.IEEE Transactions on Cognitive and Developmental Systems，2019，11（3）：414-424.7 IQBAL H，AQIL M.A QR decomposition based RLS algorithm with forgetting factor for adaptation of AR EEG featuresC/Proceedings of the 2016 International Conference on Emerging Technologies.2016.DOI：10.1109/ICET.2016.7813250.8ANG K K，CHIN Z Y，ZHANG H H，et al.Filter bankcommon spatial pattern（FBCSP）in brain-computer interface C/Proceedings of the 2008 IEEE International JointConference on Neural Networks.2008：2390-2397.9 RAMOSER H，MULLER-GERKING J，PFURTSCHELLER G.Optimal spatial filtering of single trial EEG duringimagined hand movement J.IEEE Transactions on Rehabilitation Engineering，2000，8（4）：441-446.10 GAUR P，GUPTA H，CHOWDHURY A，et al.A slidingwindow common spatial pattern for enhancing motor imagery classification in EEG-BCIJ.IEEE Transactions onInstrumentation and Measurement，2021，70.DOI：10.1109/TIM.2021.3051996.050100150200250300迭代次数ECA_1ECA_210.90.80.70.60.50.40.30.20.10准确率表2本文方法与其他方法的准确率比较方法HCHT+SVM27SVM28AR-SVM28文献 29CNN本文方法准确率/%88.0081.4384.5787.5083.3388.07222023年第12期11 ZHENG W F，XU F Z，SHU M L，et al.Classification ofmotorimageryelectrocorticogramsignalsforbrain-computer interface C/Proceedings of the 2019 9th International IEEE/EMBS Conference on Neural Engineering（NER）.2019：530-533.12SINGHVP，KUMARP.NaiveBayesclassifierforwordsensedisambiguation of Punjabi language J .Malaysian Journal ofComputerScience，2018，31（3）：188-199.13 KUMAR S，SHARMA A，MAMUN K，et al.A deep learning approach for motor imagery EEG signal classificationC/Proceedings of the 2016 3rd Asia-Pacific World Congress on Computer Science and Engineering（APWC onCSE）.2016：34-39.14 DE J，ZHANG X W，LIN F，et al.Transduction on directed graphs via absorbing random walks J.IEEE Transactions on Pattern Analysis and Machine Intelligence，2018，40（7）：1770-1784.15 MA J T，LIN F，WESARG S，et al.A novel Bayesianmodel incorporating deep neural network and statisticalshape model for pancreas segmentationC/Proceedingsof the 2018 International Conference on Medical ImageComputing and Computer-Assisted Intervention.2018：480-487.16 唐贤伦，李伟，马伟昌，等.基于条件经验模式分解和串并行CNN的脑电信号识别 J.电子与信息学报，2020，42（4）：1041-1048.17 杨涛，马玉良，高云园，等.基于增强卷积神经网络模型的运动想象脑电信号识别方法 J.航天医学与医学工程，2021，34（2）：128-136.18 宋春宁，盛勇，宁正高.基于深度学习的运动想象脑电信号识别方法 J.传感器与微系统，2022，41（4）：125-128.19 WANG Q L，WU B G，ZHU P F，et al.ECA-Net：Efficient channel attention for deep convolutional neural networks C/Proceedings of the 2020 IEEE/CVF Conferenceon Computer Vision and Pattern Recognition（CVPR）.2020：11531-11539.20 BLANKERTZ B，MULLER K R，CURIO G，et al.TheBCI competition 2003：Progress and perspectives in detection and discrimination of EEG single trialsJ.IEEETransactions on Biomedical Engineering，2004，51（6）：1044-1051.21 陈浩滨，葛薇，杨超，等.脑电波信号多域变换与深度学习癫痫诊断 J.现代信息科技，2022，6（20）：6-10.22 GROBBELAAR M，PHADIKAR S，GHADERPOUR E，etal.A survey on denoising techniques of electroencephalogram signals using wavelet transform J.Signals，2022，3（3）：577-586.23 王天宇，陈晗，王刚，等.采用小波变换和双向长短期记忆网络的脑电睡眠分期模型 J.西安交通大学学报，2022，56（9）：104-111.24XU K，BA J，KIROS R，et al.Show，attend and tell：Neural image caption generation with visual attention C/Proceedings of the 32nd International Conference on MachineLearning.2015：2048-2057.25 钱嘉鑫，余鹏飞，李海燕，等.基于特征融合与注意力的野生菌细粒度分类 J/OL.激光与光电子学进展，2023，60（04）：100-109.26 LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognitionJ.Proceedings of the IEEE，1998，86（11）：2278-2324.27 罗飞，刘鹏飞，罗元，等.多特征融合的运动想象脑电特征提取方法 J.计算机应用，2020，40（2）：616-620.28 陈锋.基于运动想象的脑-机接口系统分类方法研究D.郑州：郑州大学，2020.29杨怀花，叶庆卫，罗慧艳，等.改进孪生网络的脑电信号处理方法 J.计算机测量与控制，2022，30（3）：211-216.（上接第13页）（ICCV）.2019：8419-8428.22 HAN G X，HUANG S Y，MA J W，et al.Meta faster R-CNN：Towards accurate few-shot object detection with attentive feature alignmentC/Proceedings of the 36thAAAI Conference on Artificial Intelligence.2022：780-789.23 WANG X，HUANG T E，DARRELL T，et al.Frustratingly simple few-shot object detection C/Proceedings ofthe 37th International Conference on Machine Learning.2020：9919-9928.24 WU J X，LIU S T，HUANG D，et al.Multi-scale positivesample refinement for few-shot object detectionC/Proceedings of the 2020 European Conference on Computer Vision.2020：456-472.25 YANG Z，WANG Y L，CHEN X Y，et al.Context-transformer：Tackling object confusion for few-shot detection C/Proceedings of the 34th AAAI Conference on Artificial Intelligence.2020：12653-12660.26 EVERINGHAM M，VAN GOOL L，WILLIAMS C K I，etal.The PASCAL visual object classes（VOC）challengeJ.International Journal of Computer Vision，2010，88（2）：303-338.27 LIN T Y，MAIRE M，BELONGIE S，et al.MicrosoftCOCO：Common objects in contextC/Proceedings ofthe 2014 European Conference on Computer Vision.2014：740-755.28 REN S Q，HE K M，GIRSHICK R，et al.Faster R-CNN：Towards real-time object detection with region proposalnetworksJ.IEEE Transactions on Pattern Analysis andMachine Intelligence，2017，39（6）：1137-1149.29 GUO C X，FAN B，ZHANG Q，et al.AugFPN：Improvingmulti-scale feature learning for object detection C/Proceedings of the 2020 IEEE/CVF Conference on ComputerVision and Pattern Recognition.2020：12592-12601.30 LUO Y H，CAO X，ZHANG J T et al.CE-FPN：Enhancing channel information for object detectionJ.Multimedia Tools and Applications，2022，81（21）：30685-30704.周成诚，等：基于高效通道注意力模块的运动想象脑电识别23