GROWING HIERARCHICAL SELF-ORGANIZING MAP MODELS FOR MENTAL TASK CLASSIFICATION
Author(s): LIU Hai-long, WANG Jue, ZHENG Chong-xun
Pages: 443-448
Year: 2005 Issue: 6
Journal: ACTA BIOPHYSICA SINICA
Keyword: 脑机接口; 脑电图; GHSOM; 意识任务分类;
Abstract: 提出一种使用生长、分级的自组织映射(growing hierarchical self-organizing map,GHSOM)模型进行基于EEG信号的意识任务分类来实现脑机接口技术的方法.GHSOM模型是自组织映射(self-organizing map,SOM)的一种变体,由多层的SOM组成,具有一定的分级结构,能够表达数据中不同层次的信息.同时研究了使用平均量化误差(mean quantization error,mqe)和量化误差(quantization error,qe)两种方法实现的GHSOM模型对意识任务分类的作用.结果表明,GHSOM模型对于意识任务的可分性能够提供可视化的信息,并且发现使用量化误差方法实现的GHSOM模型提供较多的数据信息和较高的分类精度.使用GHSOM模型进行了5类意识任务的分类,平均分类精度可达80%.
Pages: 443-448
Year: 2005 Issue: 6
Journal: ACTA BIOPHYSICA SINICA
Keyword: 脑机接口; 脑电图; GHSOM; 意识任务分类;
Abstract: 提出一种使用生长、分级的自组织映射(growing hierarchical self-organizing map,GHSOM)模型进行基于EEG信号的意识任务分类来实现脑机接口技术的方法.GHSOM模型是自组织映射(self-organizing map,SOM)的一种变体,由多层的SOM组成,具有一定的分级结构,能够表达数据中不同层次的信息.同时研究了使用平均量化误差(mean quantization error,mqe)和量化误差(quantization error,qe)两种方法实现的GHSOM模型对意识任务分类的作用.结果表明,GHSOM模型对于意识任务的可分性能够提供可视化的信息,并且发现使用量化误差方法实现的GHSOM模型提供较多的数据信息和较高的分类精度.使用GHSOM模型进行了5类意识任务的分类,平均分类精度可达80%.
Related Articles