典型文献
IncepA-EEGNet:融合Inception网络和注意力机制的P300信号检测方法
文献摘要：
为了实现更高效的P300信号特征提取,提出融合Inception网络和注意力机制模块的卷积网络模型,即In-cepA-EEGNet.该模型使用不同感受野的卷积层进行并行连接,增强网络提取和表达脑电信号的能力.引入注意力机制实现不同过滤器特征的权重分配,提取P300信号中的重要信息.模型在BCI CompetitionⅢ数据集II的2个受试者数据上进行验证.与其他深度学习模型相比,IncepA-EEGNet的字符识别率在5个实验轮次后达到平均75.5％,在3个轮次后受试者B的信息传输速率达到33.44 bit/min.实验结果表明,IncepA-EEGNet有效提高了P300信号的识别精度,减少了重复试验的时间,改善了P300拼写器的实用性.
文献关键词：
注意力机制;Inception网络;EEGNet;P300检测;字符拼写
中图分类号：
作者姓名：
许萌;王丹;李致远;陈远方
作者机构：
北京工业大学 信息学部,北京 100124;北京机械设备研究所,北京 100039
文献出处：
引用格式：
[1]许萌;王丹;李致远;陈远方-.IncepA-EEGNet:融合Inception网络和注意力机制的P300信号检测方法)[J].浙江大学学报（工学版）,2022(04):745-753,782
A类：
IncepA,cepA,字符拼写
B类：
EEGNet,Inception,P300,信号检测,信号特征提取,注意力机制模块,卷积网络,模型使用,感受野,卷积层,层进,脑电信号,同过,过滤器,权重分配,重要信息,BCI,Competition,II,深度学习模型,字符识别,识别率,轮次,信息传输速率,bit,识别精度,复试
AB值：
0.331441
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
