机构名称：
¥ 1.0
背景：基于运动图像（MI）的脑部计算机界面（BCIS）在神经护理领域具有有希望的潜力。然而，由于MI任务期间活跃大脑区域的个体变化，解码MI EEG信号的挑战需要改善分类性能以进行实际应用。新方法：本研究提出了一个基于自我注意力的卷积神经网络（CNN），并结合使用时间频率的常见空间模式（TFCSP）来增强MI分类。由于培训数据的可用性有限，因此采用了数据增强策略来扩大MI EEG数据集的规模。基于自我注意力的CNN经过训练，可以自动从EEG SIG NALS中提取时间和空间信息，从而可以通过计算EEG通道权重来选择活动通道。TFCSP进一步实施，以从EEG数据中提取多尺度的时空空间。最后，从TFCSP得出的EEG特征与基于自我注意的CNN进行MI分类的脑电图串联。结果：提出的方法将在两个公共访问数据集（BCI竞争IIA和BCI竞争III IIII IIIA）上进行评估，分别得出79.28％和86.39％的平均准确性。结论：与最先进的方法相比，我们的方法实现了卓越的分类导致准确性。基于自我注意力的CNN与TFCSP结合可以充分利用脑电图形成的时空空间，并增强分类性能。
基于自我注意的卷积神经网络和时间...
主要关键词
相关文件推荐
