| 基于深度时空特征融合的多通道运动想象EEG解码方法 |
| |
| 引用本文： | 杨俊,马正敏,沈韬,陈壮飞,宋耀莲.基于深度时空特征融合的多通道运动想象EEG解码方法[J].电子与信息学报,2022,43(1):196-203. |
| |
| 作者姓名： | 杨俊 马正敏 沈韬 陈壮飞 宋耀莲 |
| |
| 作者单位： | 昆明理工大学信息工程与自动化学院 昆明 650504;昆明理工大学信息工程与自动化学院 昆明 650504;昆明理工大学信息工程与自动化学院 昆明 650504;昆明理工大学医学院 昆明 650504;昆明理工大学信息工程与自动化学院 昆明 650504 |
| |
| 基金项目： | 昆明理工大学引进人才科研启动基金;云南省2020年博士后科研基金;国家自然科学基金地区基金 |
| |
| 摘 要： | 脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况.脑电广泛应用于脑-机接口(BCI)系统.然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补.为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别.实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势.
|
| 关 键 词： | 运动想象脑电解码 多通道特征融合 子空间特征 |
Multichannel MI-EEG Feature Decoding Based on Deep Learning |
| |
| YANG Jun,MA Zhengmin,SHEN Tao,CHEN Zhuangfei,SONG Yaolian.Multichannel MI-EEG Feature Decoding Based on Deep Learning[J].Journal of Electronics & Information Technology,2022,43(1):196-203. |
| |
| Authors: | YANG Jun MA Zhengmin SHEN Tao CHEN Zhuangfei SONG Yaolian |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
