典型文献
基于CNN-LSTM的脑电P300信号检测
文献摘要：
为提高对无创脑机接口(BCI)中P300脑电信号的检测准确度,本文根据卷积神经网络(CNN)与长短期记忆(LSTM)网络,提出一种CNN-LSTM组合网络模型.卷积网络采取分层结构,同时设计匹配不同特征维度的一维卷积核;长短期记忆网络(LSTM)用来发掘数据时序相互依赖性,学习全局特征的相关性以实现目标分类.试验结果表明,本文提出的模型对于实验诱发出的单试次P300信号,检测准确率达到91.28％,与EEGNet网络和支持向量机算法对比,准确率分别提升2.18％、8.31％.在精确率、召回率、F1分数、AUC值的评价指标下也达到最优性能,具有较强的泛化性能.
文献关键词：
脑机接口;P300信号;卷积神经网络;长短期记忆网络
中图分类号：
作者姓名：
范方朝;杜欣;谢城壁;刘佳伟;黄涌
作者机构：
北京交通大学电气工程学院 北京100091;蓝色传感(北京)科技有限公司 北京100085
文献出处：
引用格式：
[1]范方朝;杜欣;谢城壁;刘佳伟;黄涌-.基于CNN-LSTM的脑电P300信号检测)[J].电子测量技术,2022(23):159-165
A类：
B类：
P300,信号检测,无创,脑机接口,BCI,脑电信号,检测准确度,组合网络,卷积网络,取分,分层结构,设计匹配,一维卷积,卷积核,长短期记忆网络,相互依赖性,全局特征,实现目标,目标分类,单试,检测准确率,EEGNet,支持向量机算法,算法对比,精确率,召回率,最优性能,泛化性能
AB值：
0.384676
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。
