机构名称：
¥ 2.0
摘要：本文介绍了一种利用脑电信号进行心理任务识别的无监督深度学习驱动方案。为此，首先将多通道维纳滤波器应用于脑电信号，作为一种伪影消除算法，以实现稳健的识别。然后，应用二次时频分布 (QTFD) 提取脑电信号的有效时频信号表示，并捕捉脑电信号随时间变化的频谱变化，以提高对心理任务的识别。QTFD 时频特征被用作所提出的深度信念网络 (DBN) 驱动的孤立森林 (iF) 方案的输入，以对脑电信号进行分类。实际上，基于每个类的训练数据构建单个基于 DBN 的 iF 检测器，以该类的样本为内点，所有其他样本为异常（即一对多）。DBN 被认为可以在不假设数据分布的情况下学习相关信息，而 iF 方案用于数据区分。该方法使用来自格拉茨技术大学公开数据库的包含五项心理任务的实验数据进行评估。与基于 DBN 的椭圆包络、局部离群因子和最先进的基于 EEG 的分类方法相比，所提出的基于 DBN 的 iF 检测器在心理任务的判别性能方面更胜一筹。
通过深度学习驱动的异常检测器进行基于脑电图的心理任务识别
主要关键词
相关文件推荐
