arXiv cs.AI· Mohammad Mahdi Habibi Bina, Mohammad Reza Daliri·· 1 天前AI 评分18
结合 xDAWN 与滤波器组卷积的紧凑时空网络用于 P300 检测
A Compact xDAWN-Guided Spatio-Temporal Network with Filter-Bank Convolution for P300 Detection
AI 导读
研究者提出一种紧凑深度学习架构，将 xDAWN 空间滤波、固定频率选择性滤波器组与卷积特征学习结合用于 P300 检测，分类器仅含 5,100 个可训练参数。
正文 · AI 翻译
摘要：基于 P300 的脑机接口（BCI）通过将刺激诱发的 EEG 响应解码为字符选择，实现无需自主运动输出的通信。由于响应幅度和信噪比低，可靠的 P300 检测仍然困难，而实用的拼写器需要在少量刺激重复和低计算成本下实现准确的字符选择。我们提出了一种紧凑的深度学习架构，结合 xDAWN 空间滤波以增强事件相关电位并降维、固定频率选择性滤波器组，以及用于时空 EEG 解码的卷积特征学习。深度可分离卷积和渐进平均池化降低了计算复杂度，同时保留了具有判别性的时间信息。所得的目标/非目标分类器仅包含 5,100 个可训练参数。我们在两个公开基准 BCI Competition II Dataset IIb 和 BCI Competition III Dataset II 上评估了该模型，并在不同刺激重复次数下与已有的 P300 解码方法进行了比较。该模型在 BCI Competition III 上以两次重复达到 17.8 bits/min 的信息传输率，在 BCI Competition II 上达到 40.5 bits/min，展现出良好的准确率-速度权衡。这些结果表明，将领域知识驱动的空间和频谱先验与紧凑神经网络相结合，可以支持基于 EEG 的 BCI 通信中的高效 P300 解码。
| 学科： | 人机交互（cs.HC）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.17101 [cs.HC] |
| （或 arXiv:2611.17101v1 [cs.HC] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.17101 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mohammad Mehdi Habibi Bina [查看电子邮件]
[v1]
2026 年 11 月 12 日星期四 17:00:30 UTC（939 KB）
来源：arXiv cs.AI · arxiv.org