机构名称：
¥ 1.0
过去几年，深度学习 (DL) 在基于运动想象的脑机接口 (MI-BCI) 分类中的应用取得了显著增长，有望提高 EEG 分类准确率。然而，DL 的黑箱性质可能导致准确但有偏差和/或不相关的 DL 模型。在这里，我们研究在 DL 输入窗口中使用视觉提示 EEG（通常使用）对所学特征和最先进 DL 模型 DeepConvNet 的分类性能的影响。分类器在一个大型 MI-BCI 数据集上进行了测试，在视觉提示后有两个时间窗口：0-4 秒（有提示 EEG）和 0.5-4.5 秒（无提示 EEG）。从性能角度来看，第一个条件明显优于第二个条件（86.82% vs. 76.11%，p<0.001）。然而，显著性图分析表明，加入视觉提示 EEG 会导致提取提示相关诱发电位，这与没有视觉提示 EEG 训练的模型所使用的 MI 特征不同。
视觉线索可能会影响脑电图深度学习模型
主要关键词
相关文件推荐
