基于CNN-LSTM的脑电P300信号检测
为提高对无创脑机接口(BCI)中P300脑电信号的检测准确度,本文根据卷积神经网络(CNN)与长短期记忆(LSTM)网络,提出一种CNN-LSTM组合网络模型.卷积网络采取分层结构,同时设计匹配不同特征维度的一维卷积核;长短期记忆网络(LSTM)用来发掘数据时序相互依赖性,学习全局特征的相关性以实现目标分类.试验结果表明,本文提出的模型对于实验诱发出的单试次P300信号,检测准确率达到91.28％,与EEGNet网络和支持向量机算法对比,准确率分别提升2.18％、8.31％.在精确率、召回率、F1分数、AUC值的评价指标下也达到最优性能,具有较强的泛化性能.
脑机接口、P300信号、卷积神经网络、长短期记忆网络
45
TN911.7
2023-04-13（万方平台首次上网日期，不代表论文的发表时间）
共7页
159-165
