机构名称：
¥ 1.0
近年来，卷积神经网络（CNN）被广泛应用于基于脑电图（EEG）信号的脑机接口（BCI）。由于EEG信号模式的个体特异性和EEG特征的多维性，需要采用适当的特征表示方法来提高EEG的解码精度。在本研究中，我们提出了一种表示EEG时间、频率和相位特征的方法，旨在保留EEG信号的多域信息。具体来说，我们使用滑动窗口策略生成EEG时间段。然后，从不同的时间段提取时间、频率和相位特征并堆叠成3D特征图，即时间-频率-相位特征（TFPF）。此外，我们设计了一个紧凑的3D-CNN模型来有效地提取这些多域特征。考虑到EEG数据的个体间差异，我们对每个受试者进行了单独测试。所提出的模型在 PhysioNet 数据集上分别对 2 类、3 类和 4 类运动想象 (MI) 分类任务实现了 89.86%、78.85% 和 63.55% 的平均准确率。在 GigaDB 数据集上，2 类 MI 分类的平均准确率为 91.91%。对于 MI 和真实运动 (ME) 任务之间的比较，在 PhysioNet 和 GigaDB 数据集上 2 类的平均准确率分别为 87.66% 和 80.13%。总体而言，本文提出的方法在 MI/ME 任务中取得了良好的效果，在基于 MI/ME 的 BCI 系统开发中具有良好的应用前景。
使用 3D-... 进行时间-频率-相位特征分类
主要关键词
相关文件推荐
