该文提出一种基于3DCNN的深度迁移学习SSVEP解码方法，旨在提升脑机接口系统的精度和信息传递速率。通过滤波器组和零填充FFT提取特征，设计3DCNN模型进行高效解码。实验结果显示，3DCNN在1s信号长度下平均分类准确率达到89.35%，ITR为173.02比特/分钟，且在减少主体间差异方面表现出色。
稳态视觉诱发电位分类学习系列:3DCNN
论文地址：https://www.sciencedirect.com/science/article/abs/pii/S1746809423013642
论文题目：Deep transfer learning-based SSVEP frequency domain decoding method
论文代码：暂无
0. 引言
目的
提高基于稳态视觉诱发电位的脑机接口（SSVEP-BCI）系统的解码精度和信息传递速率（ITR），缩小主体间方差是SSVEP-BCI系统应用的关键。为此，我们提出了一种基于深度迁移学习的SSVEP频域解码方法，以提高解码性能。
方法
使用滤波器组和基于零填充的快速傅里叶变换技术提取具有丰富空间域和频域特征的输入数据表示。设计了一种简洁高效的三维卷积神经网络（3DCNN）模型&#x
订阅专栏 解锁全文
扫一扫
988
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
