典型文献
基于GST-ECNN的运动想象脑电信号识别方法
文献摘要：
在对脑电信号的解码研究中,存在着现有时频分析方法对高频信号处理能力有限,多通道信号信息冗余,常用卷积神经网络分类器ReLU激活函数受学习速率的影响较大,对不同层采用相同的正则化很难获得满意结果等问题.为此,提出了一种基于广义S变换特征提取和增强卷积神经网络分类相结合的方法,同时提出一种结合Relief算法和向前选择搜索策略的包裹式方法进行通道选择.结果表明,提出的方法利用较少的信号通道,具有更强的特征提取和分类的能力,在第IV届BCI的数据集I上取得最高98.44±1.5％的分类准确率,高于其他现有算法.该方法良好的分类性能不仅减少了计算消耗,也有效提高了分类准确率,对脑电信号特征提取和分类具有一定的参考意义.
文献关键词：
计量学;脑电信号;运动想象;广义S变换;增强卷积神经网络;包裹式通道选择;脑-机接口
中图分类号：
作者姓名：
金海龙;邬霞;樊凤杰;王金萍
作者机构：
燕山大学河北省测试计量技术及仪器重点实验室,河北秦皇岛066004
文献出处：
引用格式：
[1]金海龙;邬霞;樊凤杰;王金萍-.基于GST-ECNN的运动想象脑电信号识别方法)[J].计量学报,2022(10):1341-1347
A类：
ECNN,包裹式通道选择
B类：
GST,运动想象脑电信号,信号识别,解码,时频分析方法,高频信号,信号处理,处理能力,多通道信号,信息冗余,神经网络分类器,ReLU,激活函数,学习速率,正则化,增强卷积神经网络,Relief,搜索策略,法利,IV,BCI,分类准确率,分类性能,计算消耗,脑电信号特征,信号特征提取
AB值：
0.332367
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。
