机构名称：
¥ 1.0
随机神经网络 (RNN) 在许多不同领域都表现出色。训练参数较少和闭式解的优势使其在小数据集分析中广受欢迎。然而，在基于 EEG 的被动脑机接口 (pBCI) 分类任务中，使用 RNN 自动解码原始脑电图 (EEG) 数据仍然具有挑战性。具有高维 EEG 输入的模型可能会出现过度拟合，非平稳、高水平噪声和受试者变异性的固有特性可能会限制隐藏层中独特特征的生成。为了解决基于 EEG 的 pBCI 任务中的这些问题，本文提出了一种频谱集合深度随机向量功能链接 (SedRVFL) 网络，该网络专注于频域中的特征学习。具体而言，提出了一种无监督特征细化 (FR) 块来提高 RNN 中的低特征学习能力。此外，还执行动态直接链接 (DDL) 以进一步补充频率信息。所提出的模型已在自收集数据集和公共驾驶数据集上进行了评估。获得的跨受试者分类结果证明了其有效性。这项工作为EEG解码提供了一种新的解决方案，即使用优化的RNN来解码复杂的原始EEG数据并提高基于EEG的pBCI任务的分类性能。
DR-NTU - 南洋理工大学
主要关键词
相关文件推荐
