弥合BCI文盲差距:基于EEG的运动图像分类的从主体到主体的语义风格转移

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 大脑-计算机接口 (BCI) 能够实现直接的大脑-计算机通信,但由于受试者之间的脑电图 (EEG) 变异性而面临挑战,导致BCI文盲.
• 由于BCI文盲,许多用户无法通过认知过程有效地控制外部设备,从而限制了技术的可访问性.

研究的目的:

• 在基于EEG的运动图像 (MI) 分类中解决BCI文盲问题.
• 提出一个新的主体对主体语义风格传输网络 (SSSTN) 进行特征级别的调整.

主要方法:

• 使用连续波波变换将EEG数据转换为图像.
• 通过风格丢失,SSSTN训练主题特定的分类器,并将类别歧视风格从专家 (源) 转移到初学者 (目标) 用户.
• 使用修改后的内容丢失保存与类相关的语义信息,并使用合集技术进行最终预测.

主要成果:

• 提高了BCI竞争IV-2a和IV-2b数据集的分类性能,特别是对于BCI文盲用户.
• 与现有方法相比,证明了优异的结果.
• 废除实验和t-SNE可视化证实了有效的特征级语义风格转移.

结论:

• 拟议的SSSTN有效地减轻了BCI文盲问题,因为它允许基于EEG的强有力的MI分类.
• 功能级别的风格转移显示了改善BCI系统可用性的巨大潜力,可用于更广泛的用户.
• 这种方法通过解决EEG信号的个体差异来增强BCI的实际应用.