机构名称：
¥ 1.0
摘要：运动图像（MI）期间脑电图的分类代表了神经治疗中的一项具有挑战性的任务。在2016年，一个称为EEGNET（基于CNN）的深度学习（DL）模型及其变体引起了人们的关注，因为它们在4级MI分类中达到80％精度的能力引起了人们的关注。但是，他们可以很难解释自己的产出决策，从而阻止他们确定与受试者间可变性，概括和最佳分类有关的问题。在本文中，我们提出了一个基于EEGNET的新模型Veegnet，其目标现在是两个方面：它用于对MI进行分类，但也用于重建（最终生成）EEG信号。这项工作仍然是初步的，但是我们能够证明Veegnet能够将4种类型的MI与最新状态分类，更有趣的是，我们发现重建的信号与所谓的运动相关的皮质潜力是一致的，非常具体且相关的电动机与EEG相关的EEG模式。因此，共同培训VEEGNET对EEG进行分类和重建脑电图可能会导致其降低受试者间的性能变异性，并生成新的EEG样本以增强小型数据集以改善分类，并对神经释放产生强大的影响。
一种新的深度学习模型，用于分类和生成脑电图
主要关键词
相关文件推荐
