一种基于训练和测试样本的数据扩展技术,以提高用于大脑-计算机接口的SSVEP的检测
Xiaolin Xiao1,2,3, Lijie Wang1,4, Minpeng Xu1,2,3
1Academy of Medical Engineering and Translational Medicine, Tianjin University, Tianjin, People's Republic of China.
Journal of neural engineering
|September 8, 2023
概括
循环转移试验 (CST) 通过整合无监督和监督学习来改善稳定状态视觉唤起潜力 (SSVEP) 和脑计算机接口 (BCI). 这种新的方法提高了绩效,特别是在有限的培训数据下,减少了对样本大小的依赖.
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能 (SSVEPs) 的脑计算机接口 (BCI) 提供了高准确性和速度.
- 由于过度装配,SSVEP-BCI性能在有限的训练数据下显著下降.
- 现有的方法无法利用测试试验中的无监督学习来改进监督模型.
研究的目的:
- 引入一种新的方法,即循环转移试验 (CST),用于SSVEP检测.
- 将测试试验中的无监督学习与培训试验中的监督学习相结合.
- 为了减轻SSVEP-BCI在训练样本有限的SSVEP-BCI的过度拟合效应.
主要方法:
- 提出了用于SSVEP检测的周期转移试验 (CST) 方法.
- CST利用SSVEP的规律性和周期性来扩大培训样本.
- 一个在线的SSVEP-BCI系统被开发和测试使用CST与扩展的法典相关性分析和组合任务相关组件分析.
主要成果:
- CST显著提高了SSVEP的信号噪声比.
- 该方法提高了系统性能,特别是只有少数训练样本和短时间的刺激持续时间.
- 只有36秒的校准和每个类别的一个训练样本,可以实现236.19比特/分钟的在线信息传输速率.
结论:
- CST有效地利用了监督和无监督学习信息.
- CST作为数据扩展技术,增强SSVEP特征并减少样本大小的依赖性.
- 在不增加实验负担的情况下,CST提供了一种有前途的方法来提高SSVEP-BCI性能.
