典型文献
用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法
文献摘要：
针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF).利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类.所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率.实验结果表明,在1s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57％、20.08％及7.03％,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能.
文献关键词：
稳态视觉诱发电位;目标识别;多尺度特征融合;卷积神经网络;小波变换;脑机接口
中图分类号：
作者姓名：
胡勤伟;陶庆;王妮妮;陈清正;吴腾辉;张小栋
作者机构：
新疆大学机械工程学院,830047,乌鲁木齐;西安交通大学机械工程学院,710049,西安
文献出处：
引用格式：
[1]胡勤伟;陶庆;王妮妮;陈清正;吴腾辉;张小栋-.用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法)[J].西安交通大学学报,2022(04):185-193,202
A类：
MFCNN
B类：
稳态视觉诱发电位,多尺度特征融合,特征融合卷积神经网络,神经网络方法,SSVEP,目标识别方法,方法分类,分类精度,提取特征,信号分类识别,小波变换,多通道,信号整合,二维图像,样本集,卷积神经网络模型,二维卷积,卷积核,核实,像样,不同尺度,分提,层级特征,全连接,成模,集输,脑电信号特征,特征自适应,自适应提取,端到端,取信,视觉刺激,1s,功率谱密度,密度分析,典型相关分析,识别准确率,脑机接口,信号识别,识别性
AB值：
0.254267
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。
