摘要。对脑电图数据进行分类对于脑机接口 (BCI) 及其应用的性能至关重要。然而,由于其生物性质和复杂的数据收集过程,外部噪声往往会阻碍脑电图数据。特别是在处理分类任务时,标准脑电图预处理方法会从整个数据集中提取相关事件和特征。然而,这些方法对所有相关的认知事件一视同仁,忽视了大脑随时间的动态特性。相反,我们受到神经科学研究的启发,使用一种新方法,该方法集成了脑电图数据的特征选择和时间分割。在 EEGEyeNet 数据集上进行测试时,我们提出的方法显著提高了机器学习分类器的性能,同时降低了它们各自的计算复杂度。
主要关键词
![arXiv:2304.06471v1 [eds.SP] 3 月 25 日PDF文件第1页](/bimg/d/d4725d179e982d93646eadac71baf79189d86fe9.webp)
![arXiv:2304.06471v1 [eds.SP] 3 月 25 日PDF文件第2页](/bimg/7/73eeca63af8b341c7f959534296b89b734f085c6.webp)
![arXiv:2304.06471v1 [eds.SP] 3 月 25 日PDF文件第3页](/bimg/8/80740c7abcedff5246b691c34efc77554ecf2005.webp)
![arXiv:2304.06471v1 [eds.SP] 3 月 25 日PDF文件第4页](/bimg/9/950e7d92ecfa884cc57e72d6f92b8e2961e1a04e.webp)
![arXiv:2304.06471v1 [eds.SP] 3 月 25 日PDF文件第5页](/bimg/0/0556fb78fa3f7b7bccd9adaf0dc517ebf8690526.webp)
