A Convolutional Neural Network for Enhancing the Detection of SSVEP in the Presence of Competing Stimuli
Notice bibliographique
Résumé
Stimulus proximity has been shown to have an influence on the classification performance of a steady-state visual evoked potential based brain-computer interface (SSVEP-BCI). Multiple visual stimuli placed close to each other compete for neural representations leading to the effect of competing stimuli. In this study, we propose a convolutional neural network (CNN) based classification method to enhance the detection accuracy of SSVEP in the presence of competing stimuli. A seven-class SSVEP dataset from ten healthy participants was used for evaluating the performance of the proposed method. The results were compared with the classic canonical correlation analysis (CCA) detection algorithm. We investigated whether the CNN parameters learned on one inter-stimulus distance (ISD) can generalize across to other ISDs and sessions. The proposed CNN obtained a significantly higher classification accuracy than CCA in both the offline (75.3% vs. 67.9%, (p <; 10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">-3</sup> )) and the simulated online (71.3% vs. 60.7%, (p <; 10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">-3</sup> )) conditions for the closest ISD. The results suggest the following: the CNN is robust in decoding SSVEP across different ISDs, and can be trained independent of the ISD resulting in a model that generalizes to other ISDs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».