换一批基于卷积自注意力机制的KAN神经网络对脑机接口视觉电刺激信号分类
Classification of Visual Electrical Stimulation Signals at Brain Computer Interfaces Using KAN Neural Network Based on Convolutional Self Attention Mechanism
摘要目的 对P300视觉电刺激信号分类面临的诸多挑战进行分析,探讨新的潜在解决方案.方法 本文提出一种卷积自注意力机制的KAN神经网络模型,该模型能够捕获P300信号的全局特征信息,同时在引入了KAN层后模型能更好地处理非线性数据.在脑机接口Competition Ⅲ Challenge 2004数据集上进行实验验证,并与现行P300视觉电刺激信号分类方法进行比较.结果 本文所提模型在验证集上展现出更高的分类准确度,对于P300信号分类准确度为100.0%,优于VGG-16的98.9%和ResNet-18的99.0%.同时在快速梯度下降法攻击实验中准确度为82%.结论 本研究不仅为P300视觉电刺激信号的分类提供了一种新的解决方案,也为其他类似的脑信号处理任务提供了新的研究思路.
更多相关知识
关键词
卷积自注意力机制KAN神经网络模型P300视觉信号脑机接口脑电图非线性数据vconvolutional self-attention mechanismKAN neural network modelP300 visual signalsbrain computer interfaceelectroencephalographynonlinear data
分类号
R197.39
栏目名称
DOI
10.3969/j.issn.1674-1633.20240951
发布时间
2025-07-30（万方平台首次上网日期，不代表论文的发表时间）
基金项目
科技部重点研发计划（2022YFC2409604）
- 浏览4
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
