双分支图卷积网络实现可解释运动EEG分类
热点事件持续更新
双分支图卷积网络实现可解释运动EEG分类
1 篇报道1 个报道来源53 分钟前更新
先了解这件事
AI 综述
Memar 与 Nazari 提出一种双分支架构，将 LGGNet 风格的局部-全局图分支与 EEGNet 风格的卷积分支结合，用于头皮 EEG 的运动-静息分类。 在 Ofner 上肢运动数据集上采用留一被试交叉验证，模型平均 F1 分数为 0.74 ± 0.06。图分支将 61 个电极按解剖区域分组，被试间一致显示 Parietal Left Low 区域（P1、P3 电极）连接性最强，使模型兼具可解释性与分类效果。
AI 根据报道生成 · 27 分钟前更新
最新进展11月14日 13:00
双分支图卷积网络用于可解释的运动 EEG 分类报道时间线
沿着报道，了解事件的不同侧面。
11月14日
- arXiv cs.AI双分支图卷积网络用于可解释的运动 EEG 分类
研究者提出一种结合 LGGNet 风格局部-全局图分支与 EEGNet 风格卷积分支的双分支架构，用于头皮 EEG 的运动-静息分类。在 Ofner 上肢运动数据集上采用留一被试交叉验证，平均 F1 分数为 0.74 ± 0.06。图分支将 61 个电极按解剖区域分组，被试间一致显示 Parietal Left Low 区域（P1、P3 电极）连接性最强，使解码器兼具可解释性与分类效果。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。