本文介绍了通过Compact-CNN对异步SSVEP信号进行高精度分类，无需手工特征提取或领域特定知识。Compact-CNN在12类SSVEP数据集上的平均准确率达到约80%，优于CCA和Combined-CCA方法。研究表明，Compact-CNN能有效识别窄带频率活动，揭示类间差异，并且在部分受试者中表现尤为突出。
稳态视觉诱发电位分类学习系列:EEGNet
论文地址：https://iopscience.iop.org/article/10.1088/1741-2552/aae5d8
论文题目：Compact convolutional neural networks for classification of asynchronous steady-state visual evoked potentials
论文代码：暂无
0. 引言
稳态视觉诱发电位 （SSVEP） 是由闪烁的视觉刺激引起的来自大脑顶叶和枕叶区域的神经振荡。SSVEP 是可在脑电图 （EEG） 中测量的稳健信号，通常用于脑机接口 （BCI）。然而，对SSVEP进行高精度解码的方法通常需要手工制作的方法，这些方法利用刺激信号的领域特定知识，例如视觉刺激中的特定时间频率及其相对空间排列。当这些知识不可用时，例如当 SSVEP 信号是异步采集时，这种方法往往会失败。在本文中，我们展示了一个紧凑的卷积神经网络（Compact-CNN
订阅专栏 解锁全文
扫一扫
1285
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
