इस पेपर में, हाथ की गति तैयारी चरणों को इलेट्रोकेंसफलोग्राफिक (ईईजी) रिकॉर्डिंग से डिकोड करने के लिए एक हाइब्रिड-डोमेन डीप लर्निंग (डीएल)-आधारित तंत्रिका प्रणाली का प्रस्ताव किया गया है। यह प्रणाली एक हाइब्रिड रणनीति के भाग के रूप में समय-डोमेन और समय-फ्रीक्वेंसी-डोमेन से निकाली गई जानकारी का उपयोग करती है, ताकि हाथ के उप-गतियों (खोलना/बंद करना) और विश्राम स्थिति से पहले के समय विंडोज़ (अर्थात् ईईजी एपोक) को विभाजित किया जा सके। इस उद्देश्य के लिए, प्रत्येक ईईजी एपोक के लिए, मोटर कॉर्टेक्स में संबंधित कॉर्टिकल स्रोत सिग्नल और संबंधित समय-फ्रीक्वेंसी (टीएफ) मानचित्रों का अनुमान बीमफॉर्मिंग और निरंतर वेवलेट ट्रांसफार्म (सीडब्ल्यूटी) के माध्यम से लगाया जाता है। दो कन्वोलेशनल न्यूरल नेटवर्क (सीएनएन) बनाए गए हैं: विशेष रूप से, पहला सीएनएन एक समय (टी) डेटा (अर्थात् ईईजी स्रोत) के डेटासेट पर प्रशिक्षित है, और इसे टी-सीएनएन कहा जाता है; दूसरा सीएनएन एक टीएफ डेटा (अर्थात् ईईजी स्रोतों के टीएफ-मानचित्र) के डेटासेट पर प्रशिक्षित है, और इसे टीएफ-सीएनएन कहा जाता है। टी-सीएनएन और टीएफ-सीएनएन से निकाले गए दो सेट के फीचर्स, जिन्हें टी-फीचर्स और टीएफ-फीचर्स कहा जाता है, को वर्गीकरण उद्देश्यों के लिए मानक मल्टी-लेयर पर्सेप्ट्रॉन के लिए इनपुट के रूप में एक एकल फीचर्स वेक्टर (जिसे टीटीएफ-फीचर्स वेक्टर कहा जाता है) में संलग्न किया गया है। अनुभवात्मक परिणाम बताते हैं कि हमारे प्रस्तावित हाइब्रिड-डोमेन डीएल दृष्टिकोण की प्रदर्शन में महत्वपूर्ण सुधार हुआ है, जबकि यह केवल समय और समय-फ्रीक्वेंसी पर आधारित बेंचमार्क दृष्टिकोणों की तुलना में है, जिसका औसत सटीकता Formula: see text% है।
Ieracitano et al. (Wed,) ने इस प्रश्न का अध्ययन किया।