Edit Dokumen.

Perbarui informasi dokumen referensi.

Judul WAJIB

Penulis

Tahun

Kategori

Abstrak WAJIB

Klasifikasi tugas mental semakin diakui sebagai tantangan utama di bidang pemrosesan dan analisis sinyal EEG. Pendekatan terkini menghadapi masalah struktur sinyal EEG yang sangat bising dan tidak stabil secara spasial. Untuk mengatasi masalah ini, makalah ini menyajikan arsitektur jaringan saraf konvolusional multi-saluran dengan parameter yang dioptimalkan secara adaptif. Solusi kami mengungguli metode alternatif dalam hal akurasi klasifikasi tugas mental (imajinasi gerakan tangan dan pembangkitan suara ucapan) sambil memberikan kemampuan generalisasi yang tinggi (∼5%). Efisiensi klasifikasi diperoleh dengan menggunakan skema pemberian input jaringan saraf multi-saluran domain frekuensi melalui analisis sub-band frekuensi sinyal EEG dan arsitektur yang mendukung pemetaan fitur dengan dua lapisan konvolusional berurutan yang diakhiri dengan lapisan yang terhubung sepenuhnya.
Untuk dataset V dari Kompetisi BCI III, metode ini mencapai tingkat akurasi klasifikasi rata-rata hampir 70%, mengungguli metode alternatif. Solusi yang disajikan menerapkan domain frekuensi untuk data masukan yang diproses oleh arsitektur multi-saluran yang mengisolasi sub-pita frekuensi dalam jendela waktu, yang memungkinkan klasifikasi sinyal multi-kelas yang sangat dapat digeneralisasi dan lebih akurat (∼1,2%) daripada solusi yang ada. Pendekatan seperti itu, dikombinasikan dengan strategi pembelajaran dan optimasi parameter yang tepat, yang disesuaikan dengan karakteristik sinyal, mengungguli jaringan referensi saluran tunggal atau multi-saluran, seperti AlexNet, VGG-16, dan NN multi-saluran Cecotti. Dengan peningkatan akurasi klasifikasi sebesar 1,2%, solusi kami merupakan kemajuan yang jelas dibandingkan dengan tiga metode canggih teratas, yang mencapai hasil tidak lebih dari 0,3%.

BATAL