双重注意力关系网络与微调为少数镜头EEG运动图像分类微调

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:

• 深度学习增强了运动图像 (MI) 电脑图像 (EEG) 分类.
• 跨学科的变化和有限的数据阻碍了对新学科的分类准确性.

研究的目的:

• 开发一种新的双向少数射击网络,用于对未见对象进行可靠的MI EEG分类.
• 通过解决跨主体变异性和低信号噪声比 (SNR) 的问题,以有限的数据改进特征学习和分类.

主要方法:

• 一个双向的少数拍摄网络,包含嵌入,时间注意,聚合注意和关系模块.
• 重点是学习可转移的特征表示,并在支持数据中发现信息特征.
• 使用自取样查询信号的微调策略,以适应未见的主体数据分布.

主要成果:

• 拟议的方法显著提高了跨主题和跨数据集分类的性能.
• 在BCI竞争IV 2a,2b和GIST数据集上优于现有的几次学习方法.
• 与基线相比,在未见的主题上表现出优越的概括能力.

结论:

• 这种新的双向少数拍摄网络有效地解决了未见对象MIEEG分类的挑战.
• 这种方法为需要强大和适应性分类的脑计算机接口提供了一个有希望的解决方案.
• 微调和注意力机制提高了特征相关性和模型适应性.