外部设备

基于脑电图（EEG）的脑机接口（BCI）是一种通过输入提供大脑与外部设备之间通路的系统。

基于EEG的BCI开发和研究面临诸多挑战，例如运动图像数据的跨受试者分类。由于EEG信号的高度个性化，开发一种在预测受试者意图时达到足够高准确率的跨受试者分类方法一直很困难。2020年，我们提出了一种多分支二维卷积神经网络（CNN），每个分支使用不同的超参数值，对不同受试者的数据更加灵活。我们的模型EEGNet Fusion在103名受试者的eegmmidb数据集上针对执行和想象的运动动作分别实现了84.1%和83.8%的准确率。与三种最先进的CNN分类器EEGNet、ShallowConvNet和DeepConvNet相比，该模型取得了统计学上显著更高的结果。然而，所提模型的计算成本比用于比较的计算成本最低的模型高出四倍。