Europe PMC（brain-computer interface · PubMed）· Wu X, Allison BZ, Chen W, He X, Wang C, Wang X, Cichocki A, Lu Y, Jin J.·· 25 天前AI 评分33
SCR-FTSDNN：面向 SSVEP 脑机接口 EEG 解码的空间-通道重建频率-时间-空间深度神经网络
A spatial-channel reconstruction guided frequency-time-space deep neural framework for SSVEP-based brain-computer interface EEG decoding.
AI 导读
研究提出 SCR-FTSDNN 深度卷积神经网络，用于 SSVEP 脑机接口的 EEG 目标识别，通过傅里叶变换提取频域表征、时间卷积捕捉动态特征，并引入空间与通道重建卷积模块和空洞卷积扩大感受野。在 Benchmark 与 BETA 两个公开 SSVEP 数据集上的实验显示，该框架在有限校准数据下仍取得更优的识别准确率与鲁棒性。
AI 要点
团队
作者为 Wu X、Allison BZ、Chen W 等，末位作者 Jin J。
主要结果
在 Benchmark 和 BETA 两个公开 SSVEP 数据集上，SCR-FTSDNN 识别准确率与鲁棒性优于若干现有方法，在标定数据有限时表现尤为突出。
解决什么问题
针对深度学习 SSVEP 解码模型复杂度高、依赖大规模标定数据、增加采集负担并可能引起受试者疲劳的问题。
方法
提出 SCR-FTSDNN：先经傅里叶变换提取频率表示，再用时间卷积捕捉动态时序特征，引入空间与通道重建卷积模块，并采用空洞卷积扩大感受野。
局限
从研究设计看，仅在两个公开数据集上验证，未涉及在线实时系统或新采集的受试者数据。
AI 依据原文整理，未经人工核对。
来源：Europe PMC（brain-computer interface · PubMed） · doi.org