机构名称：
¥ 1.0
背景。脑机界面（BMI）是一种接收大脑信号的设备或实验设置，对其进行分类，然后将其用作计算机命令。对哪种学习方法（深度学习，卷积网络，AI等）尚无共识和/或每种方法中的算法类型最好运行BMI。目标。这项工作的目的是建立一个低成本，便携式，易于使用和可靠的电动图像电脑图（EEG-MI）的BMI；比较不同的算法，以找到最适合这种情况的算法。方法。在这项研究中，从Physionet公共数据和使用Emotiv头戴式耳机获得的Motor Imager（MI）EEG信号都与四种机器学习算法进行了分类。这些算法是：结合线性判别分析（LDA），深神经网络（DNN），卷积神经网络（CNN）和最终riemannian最小值（RMDM）的常见空间模式（CSP）。结果。每种方法的平均准确性分别为78％，66％，60％和80％。获得了基线与运动图像（MI）比较的最佳结果。随着全球培训公共数据的，获得了86.4％至99.9％的精度。 使用全球训练实验室数据，CSP和RMDM案例的精度高于99％。 对于实验室数据，每个事件的分类/预测计算时间分别为8.3 ms，18.1 ms，62 ms和9.9 ms。 在讨论中，可以找到此处介绍的结果与方法论的最新结果与BMI算法之间的比较。随着全球培训公共数据的，获得了86.4％至99.9％的精度。使用全球训练实验室数据，CSP和RMDM案例的精度高于99％。 对于实验室数据，每个事件的分类/预测计算时间分别为8.3 ms，18.1 ms，62 ms和9.9 ms。 在讨论中，可以找到此处介绍的结果与方法论的最新结果与BMI算法之间的比较。使用全球训练实验室数据，CSP和RMDM案例的精度高于99％。对于实验室数据，每个事件的分类/预测计算时间分别为8.3 ms，18.1 ms，62 ms和9.9 ms。在讨论中，可以找到此处介绍的结果与方法论的最新结果与BMI算法之间的比较。结论。CSP和RMDM算法产生了快速（计算时间）和有效的（成功率）工具，以实现为BMI中的深度学习算法。
使用机器学习的EEG运动图像分类...
主要关键词
相关文件推荐
