通过特征向量的联合对齐来转移P300脑计算机接口的学习
IEEE journal of biomedical and health informatics
|July 28, 2023
概括
本研究介绍了群体学习和快速调整,以及用于脑计算机接口 (BCI) 的新型转移学习方法. 这些技术通过共同调整多个领域来提高分类准确性,优于主题特定模型.
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:
- 大脑-计算机接口 (BCI) 系统通常需要特定学科的培训,这限制了它们的概括性.
- 转移学习旨在通过利用来自多个科目或会议的数据来提高BCI性能.
- 现有的方法难以有效地调整各种BCI数据集.
研究的目的:
- 引入一种新的许多对许多转移学习方法,称为组学习.
- 开发一个扩展,快速对齐,为许多对一个转移学习到以前对齐的领域.
- 评估拟议的集团对齐算法 (GALIA) 在BCI数据上的分类性能和计算成本.
主要方法:
- 组学习算法 (GALIA) 使用循环近似联合对角化 (AJD) 进行联合域对齐.
- 加利亚发现了线性转换,以对齐跨多个域的特征向量.
- 快速调整可以将学习转移到新的,未见的领域,而无需重新培训.
主要成果:
- 与学科特定模型相比,组学习和快速对齐显著提高了分类准确性 (平均改善:2.12±1.88%).
- 在6个公开的P300 BCI数据库中观察到性能增长 (333次,177名受试者).
- 这些方法证明了非临床BCI数据的有效众对众和众对一转移学习.
结论:
- 集体学习为BCI提供了有效的多对多转移学习,创造了一个单一的,强大的模型.
- 快速对齐扩展了群组学习,以实现高效的多对一转移到未见的领域.
- 拟议的方法为BCI系统提供了更好的分类准确性和更少的培训要求.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.4K
09:42Author Spotlight: Using Motor Imagery Brain-Computer Interface to Improve Motor and Cognitive Function in Stroke Patients
Published on: September 1, 2023
1.3K
