机构名称：
¥ 1.0
摘要 最近，使用卷积神经网络 (CNN) 解码人类脑电图 (EEG) 数据推动了脑机接口 (BCI) 中运动想象脑电图模式识别的最新技术。虽然已经使用多种 CNN 模型来对运动想象脑电图数据进行分类，但尚不清楚聚合异构 CNN 模型集合是否可以进一步提高分类性能。为了整合集成分类器的输出，本研究利用模糊积分和粒子群优化 (PSO) 来估计分配给分类器的最佳置信度水平。所提出的框架聚合了 CNN 分类器和模糊积分与 PSO，根据 BCI 使用场景，在各种 CNN 模型训练方案中实现运动想象脑电图数据的单次试验分类的稳健性能。这项概念验证研究证明了应用模糊融合技术增强基于 CNN 的 EEG 解码的可行性，并有利于 BCI 的实际应用。关键词：脑机接口 (BCI)、脑电图 (EEG)、卷积神经网络 (CNN)、模糊积分、运动想象 (MI)、粒子群优化 (PSO)。
用于 CNN 的粒子群优化模糊积分 - ...
主要关键词
相关文件推荐
