排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
为了实现更高效的P300信号特征提取,提出融合Inception网络和注意力机制模块的卷积网络模型,即IncepA-EEGNet. 该模型使用不同感受野的卷积层进行并行连接,增强网络提取和表达脑电信号的能力. 引入注意力机制实现不同过滤器特征的权重分配,提取P300信号中的重要信息. 模型在BCI Competition III数据集II的2个受试者数据上进行验证. 与其他深度学习模型相比,IncepA-EEGNet的字符识别率在5个实验轮次后达到平均75.5%,在3个轮次后受试者B的信息传输速率达到33.44 bit/min. 实验结果表明,IncepA-EEGNet有效提高了P300信号的识别精度,减少了重复试验的时间,改善了P300拼写器的实用性. 相似文献
2.
在人机交互的过程中,脑力负荷过高是产生操作错误的重要因素,现阶段基于脑电信号具有时间分辨率高和便携性好的特点,常用于脑力负荷的评估.近几年来深度学习的快速发展也使得其广泛应用在脑电领域并取得了比传统的机器学习更加优异的效果, n-back任务可通过设定不同的n值来诱发不同程度的脑力负荷.由此设计了基于视觉和听觉的n-back的范式来避免维度单一,同时还提出一种新的卷积神经网络模型,使用64通道的eego脑电设备采集数据经eeglab预处理后用于该模型的训练.在测试集上与EEGNet, FBCNet, ShallowConNet的性能进行对比,其提出的新模型在分类准确率有较为明显的提升,使得该研究在脑力负荷的评估尤其在多维度n-back任务的分类上具有一定应用潜力. 相似文献
1