排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
2.
脑疲劳是由于持续进行脑力劳动导致的一种状态,脑电被认为是脑疲劳状态检测的最佳工具。如何选取合适的脑疲劳特征成为脑疲劳检测的关键问题,传统模式识别中手动提取特征会产生信息损失,针对脑电的时空特性,本文设计了具有时域卷积核、空间域卷积核的深层卷积神经网络和浅层卷积神经网络两种网络结构,将特征提取和状态分类合二为一,对正常态与疲劳态脑电数据进行分类,可视化了卷积神经网络的空间域卷积核。结果表明,浅层卷积神经网络平均分类正确率为98.868%,深层卷积神经网络平均分类正确率为98.217%,均高于传统分类方法,通过空间域卷积核的可视化,能够了解不同导联在网络中的参与程度,验证了该模型在脑疲劳检测任务中具有很高的有效性,同时为脑疲劳检测提供了新思路。 相似文献
3.
目的传统脑机接口实验范式多为左右手运动想象,无力度分级,命令单一,为增加脑机接口命令数,使中风患者在康复期间设计获得更好的治疗方案,设计了想象三种力度下的单侧手运动实验并对其进行分类。方法 9名受试者被要求想分别以三种力度(50%、30%、10%最大自主收缩力)握紧单侧手,同时记录脑电及肌电信号,对脑电信号预处理后进行空间滤波和特征提取,再对处理后的数据进行带通滤波并提取特征,利用线性判别分析作为分类器。结果\结论采用两级特征提取分类方法,平均分类正确率达到72.4%,证明通过分析想象不同力度单侧手运动的脑电信号能够扩展脑机接口命令数。 相似文献
1