基于ECA和三分支卷积融合网络的脑电信号解码研究

基于运动想象脑电信号的脑机接口系统可以实现大脑和外部设备的交互,能够帮助残疾人控制辅助设备,提高他们的生活质量。然而,有限的脑电信号解码性能限制了脑机接口产业的大规模发展。文中提出一种基于高效通道注意力(ECA)和三分支卷积融合网络的ECA-TBCFNet模型用于基于脑电图的运动想象(MI-EEG)信号解码。ECA模块可自动捕捉脑电信号中的跨通道交互,三分支卷积融合网络能够多尺度地提取信号中的时空特征。ECA-TBCFNet模型在BCI竞赛IV-2a数据集上的四分类任务中取得了83.3%的准确率和0.78的kappa系数;此外,在Physionet MI-EEG数据集上两分类和四分类任务中,ECA-TBCFNet模型的准确率分别为87.87%和69.01%。结果表明,提出的ECA-TBCFNet模型可以有效提高运动想象脑电信号的识别准确率,并具有较高的鲁棒性。

基于多视角的深度全景图的三维形状识别

针对三维物体的形状表示和识别问题,基于三分支的卷积神经网络框架,训练由柱面投影得到的一组全景图获得三维物体的形状描述符,并得到最终的识别结果。以物体中心为原点,分别对物体的三个主轴做柱面投影得到三幅全景视图,既能描述物体在空间上的位置和方向,也能获得物体的全局形状表征。将三维物体对应的三视角全景图输入到三分支卷积神经网络框架中,经过训练能够得到一个更为紧凑的三维形状描述子用于表示物体形状特征,最终获得物体的识别结果。在三维模型分类实验中的ModelNet10数据库中,分类精度能达到89.47%。