Motor görüntü EEG (MI-EEG) dekodlaşdırmasında öyrənilə bilən funksional əlaqələrin və ayrı-seçkilik edən məkan-zaman xüsusiyyətlərinin kifayət qədər tutulmasının çətinliyini aradan qaldırmaq üçün bu məqalədə məkan-zaman grafiyası konvolutional diqqət şəbəkəsi (STGCAN-MI) təklif olunur. Metod ilk olaraq öyrənilə bilən dinamik qrafik konvolyusiyası modulunun vasitəsilə elektrodlar arasında funksional əlaqə və zaman asılılıqlarını açıq şəkildə modelləşdirir. Daha sonra kanal və vaxt ölçülərində xüsusiyyət cavablarının adaptiv yenidən kalibrləşdirilməsini həyata keçirmək üçün yüngül paralel məkan-zaman diqqət modulu təqdim edir, bu da kritik ayrı-seçkilik məlumatlarını artırır və müvafiq olmayan səs-küyün aradan qaldırılmasıdır. BCI Müsabiqə IV məlumat dəstində 2a (dörd sinif) və 2b (binar sinif) təcrübələr göstərir ki, STGCAN-MI bir neçə təmsilçi əsas modeldən üstünlük təşkil edən müvafiq olaraq orta hesabla ən yaxşı təsnifat dəqiqliklərinə 83,17% və 87,50% nail olur. Ablasiya tədqiqatları və vizualizaasiya analizi hər bir əsas komponentin effektivliyini təsdiqləyir. Bu tədqiqat motor EEG görüntüləri üçün yüksək performanslı dekodlaşdırma metodlarının hazırlanması üçün yeni bir yanaşma təqdim edir.
Bu iş Çinin Milli Əsas Tədqiqat və İnkişaf Proqramı tərəfindən 2023YFF204203 qrantı ilə dəstəklənmişdir.
X. Yang və T. Çang bu işə eyni dərəcədə töhfə verib.
Kənd Təsərrüfatı və Meşəçilik Süni Ağıllı İnstitutunun, Kompüter və İnformasiya Elmləri Kolleci, Kompüter və İnformasiya Elmləri Kolleci, Fujian Kənd Təsərrüfatı və Meşəçilik Universiteti, Fuzhou, 350002, Çin
Xianqing Yang, Tingting Zhang, Minghui Hua, Ruiqing Li, Guoyu Hu & Xiangzeng Kong
Mexaniki və Elektrik Mühəndisliyi Kolleci, Fujian Kənd Təsərrüfatı və Meşəçilik Universiteti, Fuzhou, 350002, Çin
Xülasə — davamını mənbədə oxuyun.
