深度学习已经被广泛运用在脑电信号分析来提高脑机接口的性能,这是一个end-to-end的方法,简单来说,只要搭建好深度学习网络,做好特征工程,然后分类即可,对于一个刚刚接触脑机接口领域深度学习的学习者来说,可以先忽略中间的数学相关的东西,先建一个网络,然后训练数据并跑出结果,这一步成功了,再理解每一层网络的背后含义,进而调优自己的网络,训练出一个更好的模型出来。
详细的内容见知网:
DOI: 10.27376/d.cnki.gwydu.2023.000003
简单介绍一下
这是本人毕业论文的最后一章,前面也是用传统机器学习的算法来研究SSVEP,后面转向深度学习,深度学习在SSVEP领域已经有比较出色的成就。然而,预训练模型更是在深度学习的基础上又跳跃了一大步。意思很明显,就是在一个预训练模型的基础上,加上一个受试者的数据继续训练来优化模型,使得训练出来的模型更时候该名受试者。
网络结构
在论文中,我搭建了一个简单的网络,用同一个网络训练预训练模型和特定受试者模型。
先分子带,子带的信号提取的特征对SSVEP的识别是有非常大的帮助的,借鉴FBCCA的方法,应用在深度学习中。然后先对脑电信号的空间域进行特征提取,