通过多任务学习和预训练进行运动图像信号分类的跨数据集转移学习
Yuting Xie1, Kun Wang1,2, Jiayuan Meng1,3,2
1Academy of Medical Engineering and Translational Medicine, Tianjin University, Tianjin, People's Republic of China.
Journal of neural engineering
|September 29, 2023
概括
本研究引入了深度学习模型的预训练方法,以改善从不同数据集的EEG数据解码的运动图像. 这种方法提高了准确性,并减少了数据需求,使大脑与计算机之间的接口变得更加实用.
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 (DL) 模型擅长从脑电图 (EEG) 数据中解码运动图像 (MI).
- 然而,DL模型需要大量的培训数据,这对于EEG来说很难获得.
- 跨数据集转移学习提供了一个解决方案,但在具有不同MI任务的数据集之间转移知识是困难的.
研究的目的:
- 提出一种基于预培训的跨数据集转移学习方法,用于基于EEG的MI解码.
- 为了应对跨不同MI范式的数据集知识转移的挑战.
- 增强脑计算机接口 (BCI) 的实用性和用户友好性.
主要方法:
- 在多任务学习中,灵感来自硬参数共享的预培训方法被开发出来.
- 不同的MI数据集被视为统一模型中的单独任务,其中包括共享特征提取和任务特定层.
- 通过预培训和微调实现了知识转移,探索了四个微调方案.
主要成果:
- 与未经预训练的模型相比,预训练模型的最大精度增加了7.76%.
- 在有限的数据的情况下,预训练提高了DL模型的精度,高达27.34%.
- 预先训练的模型表现出更快的趋同,减少了每个主体的训练时间 (高达102.83s),并提高了强度 (偏差减少了75.22%).
结论:
- 本研究是对不同MI任务的跨数据集转移学习进行的首次全面研究.
- 拟议的预训练方法在将DL模型应用于新的MI范式时,显著减少了对微调数据的需求.
- 这一进步使得脑机接口更加易于访问和用户友好.
