RUNet: Riemannianおよび教師なし表現学習によるドメイン間EEGデコーディングのためのゼロキャリブレーションフレームワーク

科学分野:

• 神経科学
• 機械学習
• 生物医学工学

背景:

• 脳波（EEG）信号の変動性は、脳コンピューターインターフェース（BCI）アプリケーションにおける信頼性の高いニューラルデコーディングの重大な障害となっています。
• 個々の違いや環境要因が、セッション間および被験者間の変動性に寄与し、BCIシステムの開発を複雑にしています。

研究 の 目的:

• BCIにおける運動イメージデコーディングの改善のために、EEG信号の変動性を克服するように設計されたゼロキャリブレーションフレームワークであるRUNetを導入すること。
• EEGデータにおける教師なし表現学習とRiemannian多様体学習のための堅牢な方法を開発すること。

主な方法:

• RUNetは、複雑なEEGダイナミクスを捉えるために、マルチスケール時空間畳込みモジュールを採用しています。
• 多相共分散最適化モジュールは、非定常性に対する特徴の堅牢性を向上させます。
• Riemannianアフィン対数マッピングの統合は、ドメイン間共分散ドリフトを軽減し、ドメイン不変特徴学習を促進します。
• 教師なし対照的事前学習とタスク固有の再学習を伴う転移学習フレームワークが利用されています。

主要な成果:

• RUNetは、複数のデータセットで高い平均クロスセッション精度（87.19%、88.03%、85.45%）を達成しました。
• 被験者間精度は、実験室データで最大87.25%、PhysioNetデータセットで78.14%に達しました。
• 効果的なドメイン間汎化能力を実証しました。

結論:

• RUNetの統合パイプラインは、BCIにおけるEEG変動性の課題を効果的に解決します。
• このフレームワークは、さまざまなデータセットや条件にわたる堅牢なパフォーマンスと汎化を示しています。
• RUNetは、実用的なゼロキャリブレーションBCIアプリケーションのための有望なソリューションを提供します。