机构名称：
¥ 1.0
摘要 - 脑部计算机接口（BCI）允许其用户通过转换其大脑活动并将其用作命令来控制机器或其他设备。这种技术作为潜在的运动障碍者具有，因为它可以使他们在不使用周围神经的情况下与环境互动，从而帮助他们恢复失去的自主权。最成功的BCI应用程序之一是基于P300的拼写器。它的操作完全取决于其识别和区分p300电位与脑电图（EEG）信号的能力。为了使系统正确执行此操作，有必要选择一个足够的分类器并使用平衡的数据集训练它。但是，由于使用奇数范式来引起p300电位，因此只能获得不平衡的数据集。本文重点介绍了两个分类器的训练阶段，一个深层喂养网络（DFN）和深信信仰网络（DBN），可用于基于P300的BCI。从健康受试者和中风后受害者获得的数据集进行了预处理，然后使用基于自组织的地图下采样方法进行了平衡，以提高分类器的准确性。我们将结果与以前的作品进行了比较，并观察到最关键的受试者的分类准确性增加了7％。DFN的势头受试者的最高分类准确性为93.29％，健康的受试者的分类精度为93.60％。索引术语 - 脑计算机界面，神经网络，自组织图，击球后，脑电图
使用...
主要关键词
相关文件推荐
