机构名称：
¥ 1.0
摘要：在深度学习中，由于时间序列数据的随机性和非线性特性，寻找最佳算法可能具有挑战性。本研究致力于解决采用深度学习算法的 10 类分类和二元分类问题所带来的挑战。我们收集了参与 Corsi Block Tapping 任务的参与者的脑电图 (EEG) 数据，利用多层卷积神经网络 (CNN)、长短期记忆 (LSTM) 和双向 LSTM (BiLSTM) 模型的各种组合，以在不同频带（即 beta 波段 (14-30 Hz)、alpha 波段 (8-13 Hz)、theta 波段 (4-8 Hz) 和 delta 波段 (0.5-4.35 Hz)）上实现最高精度。我们在 10 类分类问题中的研究结果突出了 1 CNN + 4 线性层模型的卓越性能，准确率高达 64.47%。在二元分类领域，1 LSTM + 4 线性层模型表现最佳，准确率高达 93.30%。值得注意的是，β 波表现出增强的预测能力。这些结果对脑机接口实验的设计具有重要意义，特定大脑区域可以以更高的准确率预测反应。此外，未来的应用可能包括认知系统的开发，其中时间和准确性都起着关键作用。
脑电图的深度学习方法（...
主要关键词
相关文件推荐
