基于域概括的跨主题转移方法,以促进基于SSVEP的BCI的校准

科学领域:

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

背景情况:

• 基于稳态视觉唤起潜力 (SSVEP) 的脑计算机接口 (BCI) 通常使用空间过来增强信号.
• 现有的方法依赖于个别校准,导致耗时的会话和增加用户疲劳.
• 这限制了SSVEP-BCI系统的实际可用性和可访问性.

研究的目的:

• 为SSVEP-BCI提出一种新的跨主题传输方法.
• 消除对特定主体的校准数据的需求.
• 为了提高SSVEP检测性能和提高BCI可用性.

主要方法:

• 使用域泛化来跨主题传输空间过器和模板.
• 通过最大限度地提高主体内和主体间的相关性来学习域不变特征.
• 利用来自目标和邻近刺激的SSVEP数据进行过和模板优化.
• 使用四种类型的相关系数构建特征向量,用于SSVEP检测.

主要成果:

• 拟议的跨主体传输方法显著提高了SSVEP检测性能.
• 在三个独立的SSVEP数据集中验证了性能提升.
• 优于现有的最先进的转移学习方法.

结论:

• 开发的方法为SSVEP-BCI提供了一个有效的转移学习策略.
• 消除了对新用户进行广泛数据收集的需求.
• 具有促进实用,用户友好的BCI应用的巨大潜力.