机构名称：
¥ 1.0
大脑计算机界面（BCIS）越来越有用。这样的BCI可用于帮助失去流动性或控制四肢的个人，出于娱乐目的，例如游戏或半自主驾驶，或者是用于人造装置的界面。到目前为止，用于思考解码的算法的性能受到限制。我们表明，通过从脑电图（EEG）信号中提取时间和频谱特征，然后使用深度学习神经网络对这些特征进行分类，可以显着提高BCIS在预测主体想象的运动动作方面的性能。我们的运动预测算法使用顺序的向后选择技术来共同选择分类的时间和光谱特征以及径向基函数神经网络。与最先进的基准算法相比，该方法的平均性能提高3.50％。使用两个流行的公共数据集，我们的算法在第一个数据集中达到90.08％的精度（平均基准为79.99％），第二个数据集的算法达到了88.74％（平均基准：82.01％）。鉴于基于EEG的动作解码中的较高可变性和跨主体的可变性，我们建议使用多种模式的功能以及神经网络分类协议可能会提高各种任务中BCI的性能。
使用神经网络和时间光谱特征
主要关键词
相关文件推荐
