为了正确提取脑电信号的特征信息以提高大脑运动想象的识别准确率,提出一种基于时空特征的卷积神经网络(TSCNN)方法。通过一个时间卷积神经网络和一个空间卷积神网络,自主学习最优的时空滤波器参数,之后再通过卷积神经网络进一步提取不...为了正确提取脑电信号的特征信息以提高大脑运动想象的识别准确率,提出一种基于时空特征的卷积神经网络(TSCNN)方法。通过一个时间卷积神经网络和一个空间卷积神网络,自主学习最优的时空滤波器参数,之后再通过卷积神经网络进一步提取不同尺度的脑电信号特征信息,完成运动想象分类识别,并在小样本情况下通过信号分段、膨胀卷积等策略进一步优化训练效率和识别性能。该方法在BCI Competition IV Dataset 2a数据集上取得78.8%的准确率和0.72的kappa系数,相比其他方法可以在不进行预处理及额外特征提取的情况下,取得更好的识别效果。展开更多
文摘为了正确提取脑电信号的特征信息以提高大脑运动想象的识别准确率,提出一种基于时空特征的卷积神经网络(TSCNN)方法。通过一个时间卷积神经网络和一个空间卷积神网络,自主学习最优的时空滤波器参数,之后再通过卷积神经网络进一步提取不同尺度的脑电信号特征信息,完成运动想象分类识别,并在小样本情况下通过信号分段、膨胀卷积等策略进一步优化训练效率和识别性能。该方法在BCI Competition IV Dataset 2a数据集上取得78.8%的准确率和0.72的kappa系数,相比其他方法可以在不进行预处理及额外特征提取的情况下,取得更好的识别效果。
