机构名称：
¥ 1.0
摘要 - 准确的技术在解决大量数据的各种问题方面具有无限的作用。但是，这些技术尚未显示出处理脑信号的脑部计算机界面（BCIS）的竞争性能。基本上，脑信号很难大量收集，特别是在自发的BCI中，信息量将很少。此外，我们猜想任务之间的高空间和时间相似性增加了预测的困难。我们将这个问题定义为稀疏条件。为解决此问题，引入了分解方法，以允许该模型从潜在空间中获得不同的表示。为此，我们提出了两个特征提取器：通过对抗性学习作为发电机的对抗性学习进行训练；特定于类的模块利用分类产生的损失函数，以便使用传统方法提取功能。为了最大程度地减少班级和类别特征共享的潜在空间，该模型是在正交约束下训练的。因此，将脑电图分解为两个独立的潜在空间。评估是在单臂运动图像数据集上进行的。从结果中，我们证明了分解脑电图信号允许模型在稀疏条件下提取富裕和决定性的特征。
分解方法的稀疏时空脑 -
主要关键词
相关文件推荐
