脑电控制智能家居报99%准确率，25名受试者数据验证
该研究提出并构建了一套基于增强脑电图（EEG）的智能家居脑机接口方案，使用25名受试者的运动想象EEG数据集（64通道BCI2000设备采集）。研究从CNN卷积层提取特征用于训练分类器，提出的支持向量机（SVM）、卷积神经网络（CNN）与线性判别分析（LDA）模型可去除导致误分类的过度噪声与重叠，并将选定特征分为不同类别，依据Arduino UNO可处理的类别数控制智能家居设备。三种模型的整体准确率分别为99%、96%和99%。作者认为，该运动想象EEG分类方案可用于通过脑电波控制智能家居，未来可能对老年人和行动不便者有帮助。