FBCNet是一种针对运动想象(MI)分类的深度学习模型，结合了滤波器组卷积和方差层来处理脑电图(EEG)数据。该网络通过多视图数据表示和空间滤波提取特征，有效地应对有限训练样本和高维特征的挑战。方差层有助于聚合时域信息，提高分类效果。实验表明，FBCNet在健康人和中风患者中均表现出良好的分类精度，尤其在中风患者中揭示了更大的受试间变异性。
运动想象分类学习系列:FBCNet
论文地址：https://arxiv.org/abs/2104.01233
论文题目：FBCNet: An Efficient Multi-view Convolutional Neural Network for Brain-Computer Interface
论文代码：https://github.com/ravikiran-mane/FBCNet
0. 引言
缺乏足够的训练样本和有噪声的高维特征是基于脑电图(EEG)的脑机接口(BCI)的运动图像(MI)解码算法面临的主要挑战。为了解决这些挑战，受运动想象神经生理特征的启发，本文提出了一种新的用于运动想象分类的Filter-Bank卷积网络(FBCNet)。FBCNet采用多视图数据表示和空间滤波来提取光谱空间判别特征。这种多阶段方法可以在训练数据有限的情况下有效地训练网络。更重要的是，在FBCNet中，我们提出了一种新的方差层，可以有效地聚合脑电时域信息。
<
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
