BriefGPT - AI 论文速递
·
FingerNet：基于深度神经网络的手指敲击任务下细致运动想象的脑电解码
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了级联和并行卷积循环神经网络，用于学习 EEG 数据流的组合时空表示。实验证明该方法在准确性方面具有高达98.3%的优势，相对于基线方法和大多数最新的深度学习EEG识别模型，准确率提升18%。
🎯
关键要点
-
提出了级联和并行卷积循环神经网络
-
有效学习 EEG 数据流的组合时空表示
-
将 EEG 数据流转换成 2D 网格结构
-
使用 LSTM 循环神经网络提取时序依赖性
-
在大规模 MI-EEG 数据集上进行实验
-
方法在准确性方面达到 98.3%
-
相对于基线方法和最新深度学习模型，准确率提升 18%
🏷️
标签
➡️
