换一批基于离散小波变换的卷积自编码运动想象脑电信号的分类
Classification of convolutional autoencoder motor imagery EEG signals based on discrete wavelet transform
摘要左右手运动想象脑电信号(MI-EEG)分类准确率低,制约了相关脑-机接口技术的发展.实验采集了 16名健康受试者的运动想象脑电信号,提出了一种基于离散小波变换(DWT)和卷积自编码(CAE)的运动想象脑电信号分类算法.利用离散小波变换将EEG转换成时频矩阵,输入到卷积自编码网络中进行脑电信号的特征分类.该算法在实验数据集和公开数据集上测试都得到了较好的分类结果,静息-想象左手、静息-想象右手、想象左手-想象右手3组EEG在实验数据集上分类准确率分别为97.36％、97.27％、86.82％,在公开数据集上分类准确率分别为99.30％、98.23％、92.67％.离散小波变换结合卷积自编码网络模型在左右手运动想象脑电信号分类应用中比其他深度学习方法(CNN、LSTM、STFT-CNN)性能更优.
更多相关知识
关键词
运动想象离散小波变换卷积自编码深度学习motor imagerydiscrete wavelet transformconvolutional autoencoderdeep learning
栏目名称
DOI
10.19651/j.cnki.emt.2212520
发布时间
2024-03-11（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引1
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
