XiaoMi-AI文件搜索系统
World File Search SystemJayasankar
Telangana可再生能源开发公司有限公司（tgredco）===================================================================================
12 Sri G. Mahender Reddy地区经理，Warangal（Urban）Warangal（农村），Janagam，Mahaboobabad和Jayasankar Bhoopalpally教授2578613/6304903927
Acharya ng Ranga农业大学Admn。办公室，林...
Acharya n G Ranga农业大学（ANGRAU）于1964年6月12日以Andhra Pradesh农业大学（APAU）的名义建立，根据1963年的APAU法案。1996年11月7日晚些时候，它被改名为Acharya n G Ranga农业大学，以纪念著名的议员和基桑领导人，Sri Gogineni Ranga Nayukulu（通常称为N G Ranga）。Consequent to bifurcation of Andhra Pradesh State into two states of residual Andhra Pradesh and Telangana on the 2nd of June 2014, the ANGRAU has been bifurcated ‘on order to serve basis' into the Acharya N G Ranga Agricultural University for the State of the Residual Andhra Pradesh and Professor Jayasankar Telangana State Agricultural University for the State of Telangana.大学的责任负责为农业服务（教育），制定和追求农业科学研究活动（研究），并将研究和发展的果实转移给农民和其他利益持有人（扩展）（扩展）。
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版）https://doi.org/10.17559/TV-20210121112228 原创科学论文 运动想象脑电图识别
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版）https://doi.org/10.17559/TV-20210121112228 原创科学论文 使用深度生成对抗网络和 EMD 进行 BCI 应用的运动想象 EEG 识别 Stephan STEPHE、Thangaiyan JAYASANKAR*、Kalimuthu VINOTH KUMAR 摘要：脑电图 (EEG) 中的运动想象 (MI) 运动活动仍然有趣且具有挑战性。BCI（脑机接口）允许大脑信号控制外部设备，还可以帮助患有神经肌肉疾病的残疾人。在任何 BCI 系统中，两个最重要的步骤是特征提取和分类方法。然而，在本文中，通过深度学习 (DL) 概念的性能改进了 MI 分类。该系统从 BCI 竞赛三个数据集 IVA 中获取了右手和右脚的两时刻想象数据，并开发了利用传统神经网络 (CNN) 和生成对抗网络 (GAN) 的分类方法。通过应用经验模态分解 (EMD) 并在特征提取技术中混合它们的固有模态函数 (IMF)，可以减少训练时间并管理非平稳问题。实验结果表明，所提出的 GAN 分类技术的分类准确率为 95.29%，优于 CNN 的 89.38%。所提出的 GAN 方法在 BCI 竞赛三个数据集 IVA 上实现了 62% 的平均阳性率和 3.4% 的平均假阳性率，这三个数据集的 EEG 事实来自运动皮层的相似 C 3、C 4 和 Cz 通道。关键词：卷积神经网络 (CNN)；脑电图 (EEG)；经验模态分解 (EMD)；生成对抗网络 (GAN)；固有模态函数 (IMF)运动想象 (MI) 1 引言 脑机接口 (BCI) 将人类头皮记录的大脑活动转换成计算机控制指令，以调节外部策略，从而帮助丧失行为能力的人恢复运动技能 [1]。人们已经研究了使用脑电图来控制智能轮椅 [2]，以及其他外部设备。在脑机接口 (BCI) 中，脑电信号的特征描述是一个重要组成部分。通常使用的脑电数据包含事件相关的 SSVEP 功能 [3] 和运动想象 (MI) [4]。与其他类型的信号相比，脑电信号具有一些不同的特征。收集到的脑电信号因心理状态的不同而不同 [5]。因此，每个受试者的脑电信号都不同。脑电信号是非平稳和非线性的，这意味着脑电数据特征会随时间而变化 [6]。此外，由于合成的脑电信号通常与噪声混合，因此脑电信号分析具有挑战性。因此，应该使用操作过程来提高 EEG 数据的 SNR。EEG 特性由评估频率和时频或时间信号范围内传递的信号能量的方法来控制。然而，就最好的作者而言，还没有使用 BCI 框架中复杂的线性和非线性 BCI 分类器对这些方法进行全面的比较分析。文献中给出的大多数比较值仅限于少数技术或仅一种分类 [7]。小波变换 (WT) 主要用于特征提取过程 [8]、正常空间模式 (CSP) [9] 和主成分分析 (PCA) [10]、EMD [11, 12] 等。由于 EMD 算法能够最佳地分割信号，因此它已被证明是检查非线性和非稳定 EEG 信号的合适候选者。例如，[13] 使用 EMD 算法来滤波运动想象 EEG 信号。然而，常见的 EMD 算法一般根据研究者的经验选取固有模态函数 (IMF)，导致部分脑电样本混入不必要的信息，或丢失有用数据。此外，