机构名称：
¥ 1.0
近年来，解码脑信号引起了广泛关注并找到了许多应用，例如脑机接口，利用用户的意图与控制外部设备进行通信，这是一个新兴领域，具有改变世界的潜力，具有从康复到人类增强的多种应用。话虽如此，脑信号分析，特别是脑电图脑信号分析，是一项具有挑战性的任务。随着深度学习在仅使用原始数据解决问题方面取得的进步和成就，近年来很少有人尝试应用深度学习来处理脑电图和其他类型的脑信号。在本研究中，我们提出了一种新的损失函数，称为 DeepCSP，将经典的公共空间模式扩展为非线性可微模块，作为损失函数，以端到端的方式在原始信号上强制属于不同类别的脑电信号的线性可分潜在表示，而无需执行大量的特征工程。随着最近深度学习方法对任意结构图的推广以及引入的损失，我们提出了两种轻量级模型来解码 EEG 信号，并进行了实验以展示它们的性能。
用于分析的图卷积神经网络
主要关键词
相关文件推荐
