机构名称：
¥ 1.0
摘要 — 基于 P300 的拼写系统是最流行的脑机接口应用之一。它的成功很大程度上取决于性能，包括信息传输率 (ITR) 和检测率（即准确率）。为了获得良好的性能，我们提出了一个多尺度卷积神经网络 (MS-CNN) 模型，该模型由七层组成。首先，使用前期数据集训练 MS-CNN，旨在获得一个用于 P300 检测的非特定于受试者的模型（通用模型）。其次，通过结合迁移学习技术，利用来自受试者的一部分数据对该通用模型进行调整，以更新模型以获得特定于受试者的模型。我们在 2019 年世界机器人大会的 BCI 控制机器人比赛中应用了所提出的模型，我们的表现是比赛中所有团队中最好的。在比赛中，比赛委员会随机分配了十名健康的年轻受试者来评估该模型。我们的模型实现了最佳的 P300 检测性能（更高的准确率和更少的重复时间）。当重复次数少于六次时，不特定主语情况下的 ITR 为 13.49 位/分钟，而特定主语情况下的 ITR 为 12.13 位/分钟。我们相信我们的方法可能为进一步高效实施基于 P300 的拼写系统铺平道路。
通过多尺度增强 P300 检测的性能...
主要关键词
相关文件推荐
