论文提出了一种多分支卷积神经网络 EEGNet Fusion V2，用于运动想象任务的分类，尤其在跨任务分类上表现出色。通过与先进模型比较，五分支模型在保持高精度的同时减少了计算时间，优于其他分支数量的模型。
运动想象迁移学习系列:EEGNet-Fusion-V2
论文地址：https://www.mdpi.com/1424-8220/23/18/7908
论文题目：Excellent fine-tuning: From specific-subject classification to cross-task classification for motor imagery
论文代码：https://github.com/radia-rayan-chowdhury/EEGNet-Fusion-V2
0. 引言
基于脑电图的脑机接口开发的一个重大障碍是与受试者无关的运动图像数据的分类，因为脑电图数据非常个性化。卷积神经网络 （CNN） 等深度学习技术已经说明了它们对特征提取的影响，以提高分类准确性。在本文中，我们提出了一个多分支（五个分支）二维卷积神经网络，该网络对每个分支都使用多个超参数。所提出的模型在跨学科分类方面取得了可喜
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
