Europe PMC（brain-computer interface · PubMed）· Tejesh BSS, Bhaskar K, Sivaji M, Dakupati R, Ram SK, Sanki PK, Ramakrishnan M.·· 23 天前AI 评分38
基于滑动窗口与傅里叶分解的1D-CNN框架用于运动想象EEG分类
A sliding window and Fourier decomposition method based 1D-CNN framework for motor imagery EEG classification.
AI 导读
研究提出一种整合滑动窗口、傅里叶分解方法与1D-CNN的统一架构，用于运动想象EEG分类，在BCIC IV 2a和BCIC III IVa数据集受试者依赖协议下分别达到93.67%和79.14%的准确率。
AI 要点
团队
Tejesh BSS、Ramakrishnan M 等（末位作者 Ramakrishnan M）
主要结果
受试者依赖协议下，BCIC IV 2a 准确率 79.14%，BCIC III IVa 93.67%；LOSO 跨受试者分别为 55.50% 和 76.49%。
解决什么问题
现有运动想象 EEG 分类依赖手工空间滤波或复杂时频变换，计算复杂度高；该框架整合滑窗、FDM 与 1D-CNN。
方法
原始 EEG 经滑窗分段增强，带通滤波后由 FDM 分解为 8 个正交 FIBF，再用 1D-CNN 学习表征；在 BCIC III IVa 与 BCIC IV 2a 数据集上评估。
局限
从研究设计看，跨受试者 LOSO 准确率明显低于受试者依赖结果，且仅在公开竞赛数据集上离线评估。
AI 依据原文整理，未经人工核对。
来源：Europe PMC（brain-computer interface · PubMed） · doi.org