XiaoMi-AI文件搜索系统
World File Search SystemFBCCA
迁移学习和 SpecAugment 应用于基于 SSVEP 的 BCI 分类
目标：我们使用深度卷积神经网络 (DCNN) 对基于稳态视觉诱发电位 (SSVEP) 的单通道脑机接口 (BCI) 中的脑电图 (EEG) 信号进行分类，该接口不需要用户进行校准。方法：EEG 信号被转换为频谱图，并作为输入，使用迁移学习技术训练 DCNN。我们还修改并应用了一种通常用于语音识别的数据增强方法 SpecAugment。此外，为了进行比较，我们使用支持向量机 (SVM) 和滤波器组典型相关分析 (FBCCA) 对 SSVEP 数据集进行了分类。结果：从微调过程中排除评估用户的数据后，我们使用较小的数据长度（0.5 秒）、仅一个电极（Oz）和具有迁移学习、窗口切片（WS）和 SpecAugment 时间掩码的 DCNN，对来自开放数据集的 35 名受试者实现了 82.2% 的平均测试准确率和 0.825 的平均 F1 分数。结论：使用单个电极和较小的数据长度，DCNN 结果优于 SVM 和 FBCCA 性能。迁移学习提供的准确率变化很小，但使训练速度更快。SpecAugment 实现了小幅性能改进，并成功与 WS 结合，获得了更高的准确率。意义：我们提出了一种使用 DCNN 解决 SSVEP 分类问题的新方法。我们还修改了语音识别数据增强技术并将其应用于 BCI 环境中。所提出的方法在数据长度较小且只有一个电极的 BCI 中超越了 FBCCA 和 SVM（更传统的 SSVEP 分类方法）所获得的性能。这种类型的 BCI 可用于开发小型快速系统。
新型混合视觉刺激将周期性运动融入传统闪烁或模式反转视觉刺激中，用于基于稳态视觉诱发电位的脑机接口
在本研究中，我们提出了一种用于基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的新型混合视觉刺激，该刺激将各种周期性运动融入传统的闪烁刺激 (FS) 或模式反转刺激 (PRS)。此外，我们研究了每种 FS 和 PRS 的最佳周期运动，以增强基于 SSVEP 的 BCI 的性能。通过根据四个不同的时间函数（用无、平方、三角和正弦表示）改变刺激的大小来实现周期性运动，总共产生八种混合视觉刺激。此外，我们开发了滤波器组典型相关分析 (FBCCA) 的扩展版本，这是一种用于基于 SSVEP 的 BCI 的最先进的无需训练分类算法，可提高基于 PRS 的混合视觉刺激的分类准确性。 20 名健康个体参加了基于 SSVEP 的 BCI 实验，以区分四种不同频率的视觉刺激。评估了平均分类准确率和信息传输率 (ITR)，以比较基于 SSVEP 的 BCI 对不同混合视觉刺激的性能。此外，还评估了用户对每种混合视觉刺激的视觉疲劳程度。结果，对于 FS，当除 3 秒外的所有窗口大小都加入正弦波形的周期运动时，报告的性能最高。对于 PRS，方波的周期运动在所有测试窗口大小中显示出最高的分类准确率。两种最佳刺激之间的性能没有观察到显著的统计差异。据报道，正弦波周期运动的 FS 和方波周期运动的 PRS 的平均疲劳分数分别为 5.3 ± 2.05 和 4.05 ± 1.28。因此，我们的结果表明，与传统的 FS 和 PRS 相比，具有正弦波周期运动的 FS 和具有方波周期运动的 PRS 可以有效提高 BCI 性能。