机构名称：
¥ 1.0
摘要 — 深度学习的最新进展对脑机接口 (BCI) 研究产生了方法论和实践上的影响。在各种深度网络架构中，卷积神经网络 (CNN) 非常适合时空谱脑电图 (EEG) 信号表征学习。文献中描述的大多数现有基于 CNN 的方法都通过重复的非线性操作在连续的抽象级别提取特征，并涉及密集连接的层进行分类。然而，神经生理学研究表明，EEG 信号携带不同频率成分范围的信息。为了更好地反映 EEG 中的这些多频特性，我们提出了一种新颖的深度多尺度神经网络，该网络可发现多个频率/时间范围内的特征表征并提取电极之间的关系，即空间表征，以识别主体的意图/条件。此外，通过用时空谱信息完全表示脑电信号，所提出的方法可用于主动和被动脑电接口中的多种范式，而现有的方法主要集中在单一范式脑电接口上。为了证明我们提出的方法的有效性，我们对各种范式的主动/被动脑电接口数据集进行了实验。我们的实验结果表明，与同类的最先进的方法相比，所提出的方法取得了性能上的提升。此外，我们使用不同的技术分析了所提出的方法，例如 PSD 曲线和相关性分数检查以验证多尺度脑电信号信息捕获能力、用于研究学习到的空间滤波器的激活模式图和用于可视化表示特征的 t-SNE 绘图。最后，我们还展示了我们的方法在现实问题中的应用。
用于 BCI 中 EEG 表征学习的多尺度神经网络
主要关键词
相关文件推荐
