过器银行为SSVEP基于BCI分类的相关卷积神经网络提供指导
Xin Wen1, Shuting Jia1, Dan Han1
1School of Software, Taiyuan University of Technology, Taiyuan 030024, People's Republic of China.
Journal of neural engineering
|September 25, 2024
概括
一个新的时间频率深度学习模型,FBCNN-G,增强了稳定状态视觉唤起的潜在脑计算机接口 (SSVEP-BCI). 这种模型提高了分类准确性,特别是在短时间窗口中,提高了SSVEP-BCI性能.
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
- 信号处理 信号处理
背景情况:
- 稳态视觉唤起的潜在脑计算机接口 (SSVEP-BCI) 使用卷积神经网络 (CNN) 进行有效的信号处理.
- 传统的CNN通常依赖于长时间窗口和频域信息,在较短的时间内限制性能.
- 现有的方法可能缺乏除频域数据之外的全面任务相关信息.
研究的目的:
- 引入一种新的时间频域通用过器-银行卷积神经网络 (FBCNN-G),以增强SSVEP-BCI分类.
- 在短时间内解决现有方法的局限性,并纳入更丰富的功能信息.
- 提高SSVEP-BCI系统的准确性和效率.
主要方法:
- 开发了FBCNN-G模型,将多个EEG频率信息与正弦-弦信号先验集成在一起.
- 使用过器组分为特定频段,作为全面特征提取的预过器.
- 在模板和信号方面进行内置的相关性分析,以实现可靠的特征表示.
主要成果:
- 与基准数据集中的其他方法相比,FBCNN-G模型显示出更高的字符识别准确度和信息传输率.
- 在短短的0.2秒的时间窗口中达到62.02%±5.12%的平均精度,突出其有效性.
- 该模型的性能在各种时间窗口中得到了显著的改进.
结论:
- 在SSVEP-BCI分类性能方面,FBCNN-G模型提供了显著的进步,特别是在短时间窗口中.
- 这种方法有效地整合了时间频率信息和先前的信号知识,以改善特征提取.
- FBCNN-G模型对于开发更高效,更准确的SSVEP-BCI字符识别系统至关重要.
