双分支基于注意的频率域网用于跨主题的SSVEP-BCI

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:

• 稳态视觉唤起基于潜力的脑电脑接口 (SSVEP-BCI) 提供高速的人机交互.
• 目前的频域解码方法不充分利用光谱特征,限制跨主题性能.

研究的目的:

• 开发一个新的网络,DB-AFDNet,以改进SSVEP-BCI跨学科分类.
• 为了独立地解码真实和虚拟的光谱成分,以获得更具歧视性的特征.

主要方法:

• 提出了一个双分支基于注意力的频率域网 (DB-AFDNet).
• 实施了跨行业注意力相似性和行业内部正交性约束.
• 在基准和Beta数据集上评估性能,用于跨学科分类.

主要成果:

• 与最先进的方法相比,DB-AFDNet实现了更高的跨主题分类准确性.
• 在基准和Beta数据集上分别表现出1.36%和1.45%的相对改善.
• 提出的约束有效地学习了共识和歧视性特征.

结论:

• DB-AFDNet提高了SSVEP-BCI中的特征通用性和分类准确性,用于跨学科的应用.
• 光谱元件的独立解码和注意力机制对于强大的BCI性能至关重要.