技术进步使得测量来自人脑的非侵入式高质量脑电图 (EEG) 信号变得容易。因此,开发稳健且高性能的 AI 算法对于正确处理 EEG 信号和识别模式至关重要,从而产生适当的控制信号。尽管在处理运动想象 EEG 信号方面取得了进展,但情绪检测等医疗保健应用仍处于 AI 设计的早期阶段。在本文中,我们提出了一个用于识别元音的模块化框架作为脑机接口系统的 AI 部分。我们精心设计了模块,以便在给定原始 EEG 信号的情况下区分英语元音,同时避免大多数医疗保健应用在数据匮乏的环境中出现的典型问题。所提出的框架包括适当的信号分割、滤波、提取频谱特征、通过主成分分析降低维度,最后通过基于决策树的支持向量机 (DT-SVM) 进行多类分类。我们框架的性能通过测试集和重新替代(也称为表观)错误率的组合进行评估。我们提供所提议框架的算法,以便未来想要遵循相同工作流程的研究人员和开发人员轻松使用。
主要关键词
![arXiv:2010.12066v2 [cs.LG] 2022 年 2 月 18 日PDF文件第1页](/bimg/0/08acbc298b5b0ce7aea8c0b04140c6725a4cb984.webp)
![arXiv:2010.12066v2 [cs.LG] 2022 年 2 月 18 日PDF文件第2页](/bimg/4/4f0b524016a871631efd5d0716aea446b2a03d05.webp)
![arXiv:2010.12066v2 [cs.LG] 2022 年 2 月 18 日PDF文件第3页](/bimg/6/6ab8a8296fa99d5f05cb08807aad7cff9cf45b08.webp)
![arXiv:2010.12066v2 [cs.LG] 2022 年 2 月 18 日PDF文件第4页](/bimg/0/0c620908a8a68d7c1307ecc82ecc166421793154.webp)
![arXiv:2010.12066v2 [cs.LG] 2022 年 2 月 18 日PDF文件第5页](/bimg/d/d0ca178b338938e39beeccfbaf729f364c76c608.webp)
