机构名称：
¥ 1.0
摘要：近年来，越来越多的框架已应用于脑部计算机间技术技术，基于脑电图的机车成像（MI-EEG）正在迅速发展。但是，提高MI-EEG分类的准确性仍然是一个挑战。提出了一个深入的学习框架，即提议解决非平稳性质，激发发生的时间定位以及本文中MI-EEG信号的频段分布特征来解决非平稳性质。首先，根据C3和C4通道之间的逻辑对称关系，MI-EEG信号的时频图像扣除（IS）的结果用作分类器的输入。它既降低了冗余，又增加了输入数据的特征差异。第二，注意模块被添加到分类器中。作为基本分类器构建了卷积神经网络，并通过引入卷积块注意模块（CBAM）来自适应提取有关MI-EEG信号出现的时间位置和频率分布的信息。这种方法减少了无关的噪声干扰，同时增加了模式的鲁棒性。在BCI竞争IV数据集2B上评估了框架的性能，该数据集2B，平均准确性达到79.6％，平均KAPPA值达到0.592。实验结果验证了框架的可行性，并显示了MI-EEG信号分类的性能提高。
基于图像处理方法的电动成像脑图像信号的分类
主要关键词
相关文件推荐
