期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于Dempster-Shafer证据推理的EEG-fNIRS运动想象分类决策层融合方法
1
作者
康冉斓
李玉榕
+1 位作者
史武翔
李吉祥
《电子学报》
北大核心
2025年第3期941-950,共10页
为解决传统基于脑电信号(Electroenc Ephalo Graphy,EEG)的单模态脑机接口(Brain-Computer Interface,BCI)技术存在的空间分辨率低、易受噪声干扰等问题,越来越多的研究开始关注基于EEG信号和功能近红外光谱(functional Near-InfRared S...
为解决传统基于脑电信号(Electroenc Ephalo Graphy,EEG)的单模态脑机接口(Brain-Computer Interface,BCI)技术存在的空间分辨率低、易受噪声干扰等问题,越来越多的研究开始关注基于EEG信号和功能近红外光谱(functional Near-InfRared Spectroscopy,fNIRS)信号融合的BCI研究.然而,这两种异构信号之间的融合具有挑战性,本文创新性地提出一种基于深度学习和证据理论的端对端信号融合方法,用于运动想象(Motor Imagery,MI)分类.对于EEG信号,本文通过双尺度时间卷积和深度可分离卷积提取其时空特征信息,并引入混合注意力模块以增强网络对重要特征的感知能力.对于fNIRS信号,本文通过全通道的空间卷积探索大脑不同区域之间的激活差异,并通过并联时间卷积和门控循环单元(Gated Recurrent Unit,GRU)模块捕获更丰富的时间特征信息.在决策融合阶段,首先将两种信号分别解码得到的决策输出利用Dirichlet分布参数估计,以量化不确定性;然后使用Dempster-Shafer理论(Dempster-Shafer Theory,DST)进行双层推理,从而融合来自两种基本信念分配(Basic Belief Assignment,BBA)方法和不同模态的证据,得到最终的分类结果.本文基于公开数据集TU-Berlin-A进行模型的测试评估,获得了83.26%的平均准确率,相较于最先进研究提升了3.78个百分点,该结果为基于EEG和fNIRS信号的融合研究提供了新的思路和方法.
展开更多
关键词
混合脑机接口(BCI)
运动想象(MI)
深度学习
DEMPSTER-SHAFER理论
功能
近红外
光谱
(
fnirs
)
信号
脑电
信号
(EEG)
信号
在线阅读
下载PDF
职称材料
题名
基于Dempster-Shafer证据推理的EEG-fNIRS运动想象分类决策层融合方法
1
作者
康冉斓
李玉榕
史武翔
李吉祥
机构
福州大学电气工程与自动化学院
福建省医疗器械和医药技术重点实验室
出处
《电子学报》
北大核心
2025年第3期941-950,共10页
基金
国家自然科学基金(No.62373108)。
文摘
为解决传统基于脑电信号(Electroenc Ephalo Graphy,EEG)的单模态脑机接口(Brain-Computer Interface,BCI)技术存在的空间分辨率低、易受噪声干扰等问题,越来越多的研究开始关注基于EEG信号和功能近红外光谱(functional Near-InfRared Spectroscopy,fNIRS)信号融合的BCI研究.然而,这两种异构信号之间的融合具有挑战性,本文创新性地提出一种基于深度学习和证据理论的端对端信号融合方法,用于运动想象(Motor Imagery,MI)分类.对于EEG信号,本文通过双尺度时间卷积和深度可分离卷积提取其时空特征信息,并引入混合注意力模块以增强网络对重要特征的感知能力.对于fNIRS信号,本文通过全通道的空间卷积探索大脑不同区域之间的激活差异,并通过并联时间卷积和门控循环单元(Gated Recurrent Unit,GRU)模块捕获更丰富的时间特征信息.在决策融合阶段,首先将两种信号分别解码得到的决策输出利用Dirichlet分布参数估计,以量化不确定性;然后使用Dempster-Shafer理论(Dempster-Shafer Theory,DST)进行双层推理,从而融合来自两种基本信念分配(Basic Belief Assignment,BBA)方法和不同模态的证据,得到最终的分类结果.本文基于公开数据集TU-Berlin-A进行模型的测试评估,获得了83.26%的平均准确率,相较于最先进研究提升了3.78个百分点,该结果为基于EEG和fNIRS信号的融合研究提供了新的思路和方法.
关键词
混合脑机接口(BCI)
运动想象(MI)
深度学习
DEMPSTER-SHAFER理论
功能
近红外
光谱
(
fnirs
)
信号
脑电
信号
(EEG)
信号
Keywords
hybrid brain-computer interface(BCI)
motor imagery(MI)
deep learning
Dempster-Shafer theory(DST)
functional near-infrared spectroscopy(
fnirs
)signal
electroencephalography(EEG)signal
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于Dempster-Shafer证据推理的EEG-fNIRS运动想象分类决策层融合方法
康冉斓
李玉榕
史武翔
李吉祥
《电子学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
