Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Efficient and Automatic Breast Cancer Early Diagnosis System Based on the Hierarchical Extreme Learning Machine.

Sensors (Basel, Switzerland)·2023
查看所有相关文章

相关实验视频

Updated: Jul 11, 2025

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology
09:44

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology

Published on: March 8, 2024

4.8K

有效的多通道EEG信号分类基于层次的极端机器学习

Songyang Lyu1, Ray C C Cheung1

  • 1Department of Electrical Engineering, City University of Hong Kong, Hong Kong SAR, China.

Sensors (Basel, Switzerland)
|November 14, 2023
PubMed
概括

这项研究引入了一个快速的极端学习机器 (ELM) 框架,用于在运动图像中分类电脑电图 (EEG) 信号. 这种新方法显著提高了分类准确性,并减少了脑计算机接口 (BCI) 系统的训练时间.

科学领域:

  • 神经科学是一个神经科学.
  • 计算机科学 计算机科学
  • 生物医学工程 生物医学工程

背景情况:

  • 人类大脑的复杂处理能力使得疾病检测和脑计算机接口 (BCI) 等先进应用成为可能.
  • 电脑电图 (EEG) 信号对于监测大脑活动和开发BCI系统至关重要.
  • 目前用于EEG信号分类的机器学习方法在速度和准确性方面面临挑战.

研究的目的:

  • 通过使用多层极端学习机器 (ELM) 来进行EEG信号分类的新快速反应框架.
  • 评估拟议的ELM框架在运动成像任务中的表现.
  • 将ELM框架与传统的机器学习和深度学习算法进行比较.

主要方法:

  • 开发一个多层次的极端学习机器 (ELM) 框架.
  • 电脑电图 (EEG) 信号用于运动图像的分类.
  • 使用BCI竞争II数据集进行实验验证.

主要成果:

  • 实现了EEG信号的平均分类准确率为93.90%.
  • 与传统算法相比,训练时间减少了75%.
  • 在分类准确性和培训速度方面均显著改善.
关键词:
这是一个BCI系统.这是EEG信号.机器学习是机器学习.

更多相关视频

Cortical Source Analysis of High-Density EEG Recordings in Children
09:32

Cortical Source Analysis of High-Density EEG Recordings in Children

Published on: June 30, 2014

21.4K
Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
11:25

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Published on: July 26, 2013

43.4K

相关实验视频

Last Updated: Jul 11, 2025

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology
09:44

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology

Published on: March 8, 2024

4.8K
Cortical Source Analysis of High-Density EEG Recordings in Children
09:32

Cortical Source Analysis of High-Density EEG Recordings in Children

Published on: June 30, 2014

21.4K
Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
11:25

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Published on: July 26, 2013

43.4K

结论:

  • 拟议的快速反应ELM框架为运动图像中的EEG信号分类提供了卓越的性能.
  • 这一框架有望提高脑计算机接口 (BCI) 系统的效率和有效性.
  • 该研究强调了ELM在推进BCI技术方面的潜力.