使用先进的算法和修改后的DNN在EEG中移除文物和分类运动图像

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 基于脑电图 (EEG) 的脑计算机接口 (BCI) 面临着文物和复杂的运动图像任务的挑战.
• 精确的EEG器件移除和强大的运动图像分类对于可靠的BCI性能至关重要.

研究的目的:

• 开发和评估一种先进的方法来移除EEG文物和四类运动图像分类.
• 通过使用新的信号处理和机器学习技术,提高BCI的准确性和可靠性.

主要方法:

• 引入了四类代过 (FCIF) 用于使用代过和过器银行去除眼部工件.
• 开发了FC-FBCSP算法,扩展了过器银行常见空间模式,用于四类运动图像.
• 使用修改后的深度神经网络 (DNN) 分类器来增强特征歧视.

主要成果:

• FCIF 证明了对EEG 工件的有效缓解,改善了数据质量.
• 结合修改DNN分类器的FC-FBCSP算法实现了高分类准确度.
• 拟议的方法显著优于BCI竞争IV数据集的基线方法.

结论:

• FCIF和FC-FBCSP与修改DNN的综合方法为EEG工件移除和运动图像分类提供了优质的解决方案.
• 这一进步有可能提高BCI系统的性能和可用性.