机构名称：
¥ 1.0
在运动成像脑部计算机界面（MI-BCI）的研究中，传统的脑电图（EEG）信号识别算法在提取EEG信号特征和提高分类精度方面似乎是不可能的。在本文中，我们讨论了基于多类MI-EEG信号的新分步提取和模式分类的新分步方法的解决方案。首先，通过自动编码器将所有受试者的训练数据合并并扩大，以满足大量数据的需求，同时由于脑电图数据的随机性，不稳定和个人变异性，从而降低了信号识别的不良效果。第二，提出了具有基于注意力的浅卷积神经网络的端到端共享结构。浅卷积神经网络（SCNN）和双向长期记忆（BILSTM）网络分别用于提取EEG信号的频率空间域特征和时间序列特征。十，将注意力模型引入了特征融合层，以动态权重这些提取的时间频率空间域特征，这极大地有助于降低特征冗余性和提高分类精度。最后，使用BCI竞争IV 2A数据集的验证测试表明，分类准确性和KAPPA系数达到82.7±5.57％和0.78±0.074，这可以强烈证明其在分类准确性和降低分数中的优势中的优势在同一互为中，并且在同一内部crovential di di di di di di di di di di di di di di di di di di oferiention n di di di of riention di di;
研究文章端到...
主要关键词
相关文件推荐
