全球适应变压器用于跨主题增强的EEG分类.

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 解码电脑电图 (EEG) 信号以识别心理意图是具有挑战性的,因为它具有显著的跨主体变异性.
• 现有的转移学习方法用于跨主题EEG分析,通常因特征表示不足而困难,并且无法捕捉远程依赖.

研究的目的:

• 提出一种新的域适应方法,全球适应变压器 (GAT),利用源主体EEG数据来增强目标主体的心理意图解码.
• 为了解决当前跨主题EEG分析中特征表示和长距离依赖性捕获的局限性.

主要方法:

• GAT利用并行卷积来从EEG信号中提取最初的时间和空间特征.
• 一个基于注意力的适配器隐式地将源域特征转移到目标域,专注于全球EEG特征相关性.
• 区分器和适应性中心损失被用来减少分别在源域和目标域之间的边际和调整条件分布差异.

主要成果:

• 在两个基准EEG数据集上,GAT显著超过了最先进的方法.
• 提出的基于注意力的适配器被确定为一个关键组件,有助于该方法的卓越性能.
• 这项研究证明了GAT在改善跨主体EEG信号解码方面的有效性.

结论:

• 全球自适应变压器 (GAT) 提供了一个强大的解决方案,用于在脑电脑接口 (BCI) 中进行跨主体EEG分析.
• 该方法通过改进心理意图的解码来提高BCI系统的实际适用性,显示出强大的潜力.
• GAT能够有效地适应各个学科的功能,为个性化BCI开发开辟了新的途径.