基于任务注意力的紧型人工神经网络,用于以更少的校准进行个人SSVEP识别
概括
这项研究引入了一种紧的人工神经网络 (ANN),用于稳定状态视觉唤起潜能 (SSVEP) 识别,显著减少参数,并改善个人性能,使用更少的校准数据.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 人工神经网络 (ANN) 在稳定状态视觉唤起潜能 (SSVEP) 目标识别方面表现有前途.
- 在ANN中高可训练参数需要广泛的校准数据,由于昂贵的EEG收集,这构成了挑战.
- 过度装配是使用ANN的个人SSVEP识别的一个问题.
研究的目的:
- 为个人SSVEP识别设计一个紧的ANN,避免过.
- 为了减少SSVEP识别的ANN中可训练参数的数量.
- 为了最大限度地减少在SSVEP检测中需要广泛的校准数据.
主要方法:
- 将SSVEP识别的先前知识集成到注意力神经网络设计中.
- 应用了注意层来将空间过操作转化为ANN结构,减少了层连接.
- 集成的SSVEP信号模型和共享权重作为约束来凝聚可训练的参数.
主要成果:
- 拟议的紧的ANN结构有效地消除了模拟中的冗余参数.
- 与深度神经网络 (DNN) 方法相比,可训练参数减少了90%以上,与相关性分析 (CA) 方法相比,减少了80%.
- 与DNN相比,个人识别性能至少提高了57%,与CA方法相比提高了7%.
结论:
- 将特定任务的先前知识集成到ANN中可以提高有效性和效率.
- 拟议的紧型ANN提供了更少的参数,需要更少的校准,同时保持了突出的个人SSVEP识别性能.
- 这种方法解决了在开发基于SSVEP的个性化脑机接口时的数据采集瓶.
