Aprendizaje incremental de clase con refinamiento dinámico del prototipo para la clasificación de la actividad...

Área de la Ciencia:

• La neurociencia
• Aprendizaje automático
• Procesamiento de señales

Sus antecedentes:

• Las señales de electroencefalografía (EEG) son cruciales para los sistemas de interfaz cerebro-ordenador (BCI).
• Los modelos estáticos de aprendizaje profundo luchan con las clases emergentes de actividad cerebral en la clasificación EEG.
• Se necesita el aprendizaje incremental de clase de pocos disparos (FSCIL) para los sistemas BCI adaptables.

Objetivo del estudio:

• Introducir IncrementEEG, un nuevo marco para FSCIL en la clasificación de la actividad cerebral basada en EEG.
• Mejorar el reconocimiento de las nuevas clases de escasos recursos, manteniendo la discriminación de las existentes.
• Mejorar la robustez y la adaptabilidad en aplicaciones de BCI de mundo abierto.

Principales métodos:

• Desarrolló el marco IncrementEEG para FSCIL en la clasificación de señales EEG.
• Se analizó el impacto de la pérdida de margen angular aditiva en la discriminación del modelo.
• Se introdujo un módulo de refinamiento de prototipo con bloques de aumento y actualización.

Principales resultados:

• IncrementEEG demostró un rendimiento superior a los métodos de última generación en múltiples conjuntos de datos.
• El marco maneja efectivamente las nuevas clases sin olvidar catastróficamente.
• Logró un rendimiento robusto en condiciones de mundo abierto para el reconocimiento de emociones y SSVEP.

Conclusiones:

• IncrementEEG adelanta el FSCIL para la clasificación de la actividad cerebral EEG.
• El marco ofrece un potencial significativo para mejorar la adaptabilidad del sistema BCI.
• El estudio destaca la eficacia del refinamiento del prototipo y la pérdida de margen angular en FSCIL.