多类运动想象脑电信号的识别

脑电信息作为一种脑神经细胞群电生理活动在大脑皮质表面的总体反映,其存在于生命的始终。而对于脑电信号的识别,可以有效预测将要发生的运动行为,并且由于其携带大量的生理和心理信息,所以在科学研究中具有重要的意义。鉴于此,文章重点就多类运动想象脑电信号的识别进行研究分析,以供参考和借鉴。

基于受限玻尔兹曼机的疲劳脑电特性分析

为了准确提取和分类视觉疲劳所引起的脑电特征,以此提醒过度用眼的工作人员及时休息,提出了多通道受限玻尔兹曼机算法和卷积神经网络(CNN)算法结合的深度学习混合模型,利用该模型对枕叶区10个通道的脑电信号进行自动提取内在特征和分类。在基于SSVEP的视觉疲劳脑电数据集上进行评估,深度学习混合模型的平均准确率达到88. 63%,比传统的特征提取和分类方法高10%。实验结果证明了深度学习混合模型取得的分类效果较好,并且克服了传统手动提取特征方法不全面的不足,对疲劳脑电的研究具有现实的意义。