开发混合特征学习者模型,集成FDOSM,用于机动图像中的金色主体识别

科学领域:

• 神经科学和生物医学工程
• 人工智能和机器学习

背景情况:

• 使用运动图像 (MI) 的脑计算机接口 (BCI) 面临着由于复杂,非静止和高维的大脑活动而面临的重大挑战.
• 运动行为的个体变化和需要一个一致的"黄金主体"使MI-BCI性能评估和应用复杂化.
• 多标准决策 (MCDM) 问题源于多种评估指标和在确定BCI最佳主题时的权衡.

研究的目的:

• 提出一种新的混合脑信号解码模型,即混合适应功能的学习器 (HAFL),以提高MI-BCI性能.
• 将一个模糊的决策框架与HAFL集成在一起,以确定一个"黄金学科"用于学科对学科的转移学习.
• 通过强大的受试者选择方法来解决基于EEG的MI-BCI中的跨主体变异性.

主要方法:

• 开发了混合的Adaboost特征学习器 (HAFL) 模型,结合了VGG-19,短时间里埃转换 (STFT) 和Adaboost分类器来进行特征提取和分类.
• 利用格拉茨大学BCI竞赛中预先记录的MI-EEG数据集进行模型验证.
• 整合了一个模糊的决策框架,包括黄金主题决策矩阵 (GSDM) 和通过意见得分方法 (FDOSM) 的模糊决策,用于黄金主题分配.

主要成果:

• 在基于EEG的MI-BCI中,HAFL模型证明了有效地解决对象间的变异性.
• 主题S5使用基于FDOSM的外部组聚合 (EGA) 获得了2.900的最高分,被确定为最有前途的黄金主题.
• 拟议的方法显示出显著的新性,并在各种关键视角上表现优于基准研究.

结论:

• 该HAFL模型,加上模糊的决策,提供了一个强大的方法来识别MI-BCI应用中的最佳主体.
• 将S5学科确定为黄金学科,有助于BCI在学科对学科转移学习方面的进步.
• 这项研究有助于开发更有效,更可靠的BCI系统,特别是用于个性化应用.