Loading...
机构名称:
¥ 1.0

大脑计算机界面(BCI)多模式融合具有通过减轻与单个模态相关的缺点来以高度可靠的方式生成多个命令的潜力。在本工作中,通过同时记录的脑电图(EEG)(EEG)和功能性近红外光谱(FNIRS)信号融合来获得的混合EEG-FNIRS BCI系统 - 用于克服Uni-Mododity的局限性并获得更高的任务分类。尽管混合方法增强了系统的性能,但由于缺乏融合这两种方式的计算方法的可用性,这些改进仍然是适中的。为了克服这一点,提出了一种新的方法,使用多分辨率的奇异值分解(MSVD)来实现基于系统和特征的融合。使用KNN和树分类器比较了两种基于不同特征集的方法。通过多个数据集获得的结果表明,所提出的方法可以有效地融合这两种方式与分类精度的提高。

使用多分辨率奇异值分解(MSVD)

使用多分辨率奇异值分解(MSVD)PDF文件第1页

使用多分辨率奇异值分解(MSVD)PDF文件第2页

使用多分辨率奇异值分解(MSVD)PDF文件第3页

使用多分辨率奇异值分解(MSVD)PDF文件第4页

使用多分辨率奇异值分解(MSVD)PDF文件第5页

相关文件推荐

2023 年
¥2.0
2013 年
¥7.0
2024 年
¥1.0
2024 年
¥1.0
2025 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2023 年
¥2.0
2024 年
¥1.0
2025 年
¥1.0
2023 年
¥3.0
2025 年
¥1.0
1900 年
¥1.0
2024 年
¥1.0
2023 年
¥1.0
2023 年
¥1.0
2024 年
¥1.0