weixin_43715601的博客

EEGNet: EEGNet是一种专门为处理脑电信号数据而设计的卷积神经网络模型，它接收时域脑电数据作为网络输入。EEGNet由4层组成。第一层是卷积层，用于模拟对每个通道数据进行的带通滤波操作。第二层是空间滤波层，通过深度卷积对每个通道的数据进行加权。第三层是用于提取类别信息的独立卷积层。第四层是用于分类的完全连接层。自提出以来，EEGNet已被用于各种脑电任务，如运动图像、P300、SSVEP等12CCNN: CCNN也是一个卷积神经网络模型。不同的是，

因其较高的时间分辨率、相对低的成本与高便携性, 从头皮采集的脑电图(electroencephalograhy, EEG)是被用于构建BCI系统的最广泛使用的数据模态。因此, 一个无需依赖于调优步骤或仅依赖于少量调优过程的SSVEP频率识别算法亟待提出, 以使得BCI系统的使用变得便捷高效。在基于SSVEPs的BCI系统中, 目标由单个刺激频率或不同刺激频率之间的组合来进行编码, 不同的目标编码则可以代表不同的控制命令。在经过公式 (5)中的线性转换后, 公式 (6) 中的自相关信息将被抵消。

本研究中，我们提出了一种高效的混合CNN-LSTM网络，该网络采用谱归一化和标签平滑技术，用于短时SSVEP分类。为了验证我们模型的有效性，我们在被试内和跨被试分类情况中两种不同的时间窗口长度中，将所提出的模型与其他传统方法和深度学习方法进行了全面比较。结果表明，该模型优于其他方法，在被试内小规模数据量情况下尤为显著。进一步的消融实验检验了谱归一化和基于注意的标签平滑在该模型中的作用。大量的实验结果表明，SSVEPNet是一个很有前途的SSVEP频率识别方法，而谱归一化和基于注意的标签平滑技术可作为有效策略

使用滤波器组的FBCCA算法1、FBCCA2、FBCCA1、FBCCA2、FBCCA

提取任务相关成分的TRCA算法1、TRCA算法简介2、TRCA算法原理与推导1、TRCA算法简介虽然基于CCA的方法在识别SSVEP信号方面具有不错的表现,但这类方法的性能仍旧易受到自发脑电活动的干扰的影响。除此之外,研究人员们考虑到基于CCA的方法还有一个很大的问题,即没有利用到相位信息(参考信号中正余弦中没有包含相位项)。那么如果能够有效地利用相位信息,想必会给SSVEP的识别性能带来较大的提升。由此研究人员便提出了TRCA方法,TRCA的方法即通过最大化每个task中神经影像数据的复现性(rep

基于核概念的KCCA算法1、由CCA算法过渡至KCCA算法2、KCCA算法的原理与推导1、由CCA算法过渡至KCCA算法典型相关分析（CCA）算法是一种标准的统计技术，用于寻找两个最大相关的随机向量的线性投影。CCA算法是一个计算两个多维变量相关性的强大方法,但如果两个变量间存在非线性相关的关系,CCA算法也许在此时会失效。为了克服CCA算法的这个弊端,KCCA算法通过引入”kernel trick”的概念改进CCA算法。2、KCCA算法的原理与推导传统的CCA算法的目标是找寻一对方向向量wxw_x

应用于SSVEP脑电信号识别的CCA算法1、SSVEP信号2、应用于SSVEP信号的CCA算法1、SSVEP信号SSVEP是指当受到一个固定频率的视觉刺激的时候，人的大脑视觉皮层会产生一个连续的与刺激频率有关（刺激频率的基频或倍频处）的响应。研究者认为大脑里分布的各种神经网络都有其固有的谐振频率，在正常状态下，这些神经网络都是互不同步的，也是杂乱无章，没有规律的，此时的脑电信号是自发脑电。当施加一个恒定频率的外界视觉刺激时，与刺激频率或谐波频率相一致的神经网络就会产生谐振，导致大脑的电位活动在刺激