深層学習ベースSSVEP-BCIにおけるパフォーマンスの壁を破る：共同周波数-位相トレーニング戦略

科学分野:

• 神経科学
• 機械学習
• 生物医学工学

背景:

• 深層学習は、定常状態視覚誘発電位（SSVEP）分類を使用した脳波（EEG）ベースの脳コンピューターインターフェース（BCI）に有望です。
• SSVEP信号は、正確な分類に不可欠な周波数と位相の両方の特性を持っています。
• 現在の深層学習手法は、周波数と位相情報の組み合わせた利用をしばしば無視しており、分類パフォーマンスを制限しています。

研究 の 目的:

• SSVEP分類における既存の深層学習戦略の限界に対処すること。
• SSVEP分類強化のための新しい共同周波数-位相トレーニング戦略（JFPTS）を提案および検証すること。
• SSVEP信号に固有の周波数と位相の二重特性を完全に活用すること。

主な方法:

• 提案された共同周波数-位相トレーニング戦略（JFPTS）は、特殊な時間窓サンプリングを備えた2つの異なるステージを採用しています。
• 最初のステージは、周波数成分の利用を最適化するために、周波数事前駆動サンプリングスキームを利用します。
• 2番目のステージは、カテゴリ内位相の一貫性を改善するために、位相ロックサンプリングスキームを実装します。

主要な成果:

• 実験は、2つの公開データセットで実施され、JFPTSの有効性が確認されました。
• JFPTS強化深層学習モデルは、既存の最先端の方法と比較して優れたパフォーマンスを示しました。
• パフォーマンスは、確立されたベンチマークであるタスク識別成分解析（TDCA）を大幅に上回りました。

結論:

• JFPTSは、SSVEP分類における深層学習のための新しいトレーニングパラダイムを表します。
• この戦略は、SSVEP信号の周波数と位相の両方の特性を効果的に活用します。
• 提案された方法は、SSVEP-BCIにおける深層学習アプリケーションを進歩させ、より広範な採用を奨励すると予想されます。