机构名称：
¥ 1.0
本文介绍了寻找脑电图 (EEG) 分类任务的最优解的研究。考虑到训练数据有限的限制，我实施了三种数据增强策略：频谱图变换、基于聚类的增强和带噪声的子采样。为了确定最有效的策略，我还对数据预处理和特征工程进行了两项消融研究，结果表明数据的最佳时间范围是 0-700，最有效的数据增强方法是带噪声的子采样。根据从数据集探索和文献综述中获得的见解，我选择了五种模型进行进一步研究：CNN、RNN、CNN+LSTM、CNN+GRU、ResNet。该模型基于受试者 1 和所有受试者的数据进行训练，结果表明，基于所有受试者数据训练的模型比基于受试者 1 数据训练的模型具有更强的通用性和更高的性能。此外，我建立了一个 9 倍交叉验证流程来微调模型，结果在所有受试者数据的组合上使用 CNN 模型实现了 73% 的测试准确率，使用 CNN+GRU 模型实现了 70% 的测试准确率。
利用深度学习解码脑电图脑活动信号
主要关键词
相关文件推荐
