典型文献
基于注意力机制和深度学习的运动想象脑电信号分类方法
文献摘要：
脑机接口(Brain Computer Interface,BCI)作为一种新型的信息沟通与控制手段,是一个涉及神经科学、信号处理以及模式识别等多个学科的交叉研究课题.基于运动想象的BCI系统被认为是最具发展前景的一种脑机接口系统.针对基于机器学习方法构建脑电特征与运动想象之间的映射关系进行分类时,现有方法仍存在无法兼顾脑电信号的时-空域特征并且分类精度难以提高的问题,提出一种基于注意力机制的双向长短时记忆网络(ABiLSTM)和卷积神经网络(Convolutional Neural Network,CNN)的运动想象脑电分析方法,通过ABiLSTM和CNN相结合的方式提取更具表征性的脑电信号深层特征.综合上述研究,最终构建的ABiLSTM-CNN分类模型在公共数据集上取得了 90.72％的平均准确率,证明ABiLSTM-CNN运动想象脑电信号分类模型具有很理想的分类性能.
文献关键词：
深度学习;注意力机制;双向长短时记忆;卷积神经网络;脑电信号;运动想象
中图分类号：
作者姓名：
张玮;赵永虹;邱桃荣
作者机构：
南昌大学信息工程学院,南昌,330029;四川开放大学工程技术学院,成都,610073
文献出处：
引用格式：
[1]张玮;赵永虹;邱桃荣-.基于注意力机制和深度学习的运动想象脑电信号分类方法)[J].南京大学学报（自然科学版）,2022(01):29-37
A类：
ABiLSTM
B类：
注意力机制,运动想象脑电信号,脑电信号分类,分类方法,脑机接口,Brain,Computer,Interface,BCI,信息沟通,控制手段,神经科学,信号处理,模式识别,交叉研究,研究课题,基于机器学习,机器学习方法,映射关系,空域,分类精度,双向长短时记忆网络,Convolutional,Neural,Network,电分析,深层特征,分类模型,公共数据,平均准确率,分类性能
AB值：
0.262866
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。
