脑机接口 (BCI) 不仅用于健康人控制外部设备,还用于恢复运动障碍患者的运动功能。解码运动意图是使用脑信号执行手臂运动任务的最重要方面之一。从脑电图 (EEG) 信号解码运动执行 (ME) 在之前的工作中表现出色,然而基于运动想象 (MI) 范式的意图解码迄今为止未能达到足够的精度。在本研究中,我们重点研究了一种针对 ME 和 MI 范式的具有迁移学习的稳健 MI 解码方法。我们获取了与手臂伸展 3D 方向相关的 EEG 数据。我们提出了一种基于关系网络 (BTRN) 架构的 BCI 迁移学习方法。与传统工作相比,解码性能最高。我们确认了 BTRN 架构有可能有助于使用 ME 数据集连续解码 MI。
![arXiv:2002.00538v1 [eess.SP] 2020 年 2 月 3 日PDF文件第1页](/bimg/b/b867984e2f3fa6c55d5f0bceb35b719a37422a1d.webp)
![arXiv:2002.00538v1 [eess.SP] 2020 年 2 月 3 日PDF文件第2页](/bimg/f/f095de9e2b6d31e5a91661b31df573c5becca56f.webp)
![arXiv:2002.00538v1 [eess.SP] 2020 年 2 月 3 日PDF文件第3页](/bimg/1/153b5dc0ab6894fe5b4376ec68fa553d38f7237f.webp)
![arXiv:2002.00538v1 [eess.SP] 2020 年 2 月 3 日PDF文件第4页](/bimg/2/2de910b133c55e91012d36d07aaf080bb8baa286.webp)
![arXiv:2002.00538v1 [eess.SP] 2020 年 2 月 3 日PDF文件第5页](/bimg/7/7909dd78943d6574a40bfc07eeb28c8ae20d502c.webp)
