机构名称：
¥ 1.0
摘要 - 在这项工作中，我们建议使用一个深入的学习框架来解码人脑活动的脑电图（EEG）信号。更具体地，我们学习了一个端到端模型，该模型通过从人类神经活动中收集的脑电图数据识别自然图像或运动图像。为了捕获长脑电图序列中编码的时间信息，我们首先在脑电图信号上采用增强版本的变压器，即门控变压器，以学习沿一系列嵌入式的特征代表。然后，使用完全连接的软磁层来预测解码表示的分类结果。为了证明封闭式变压器方法的有效性，我们针对人脑视觉数据集的图像分类任务进行了实验，以及针对运动图像数据集的分类任务。实验结果表明，与广泛用于脑电图分类的多种现有方法相比，我们的方法实现了新的状态性能。
用于解码人脑EEG信号的门控变压器
主要关键词
相关文件推荐
