用转移学习图形神经网络对具有异质电极配置的数据集进行EEG解码
Jinpei Han1, Xiaoxi Wei1, A Aldo Faisal1,2
1Brain & Behaviour Lab, Department of Computing, Imperial College London, London SW7 2AZ, United Kingdom.
Journal of neural engineering
|November 6, 2023
概括
本研究引入了一种新的机器学习框架,使用图形神经网络和转移学习来提高脑机界面 (BMI) 的准确性. 该方法有效地结合了多样化的脑电图 (EEG) 数据集,克服了不同电极布局的挑战,以更好地分类运动图像.
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:
- 脑机界面 (BMI) 依赖于机器学习来提取特征,需要大量的数据集.
- 由于记录设备和电极布局的变化,结合不同的数据集是具有挑战性的,导致数据分布的转移.
研究的目的:
- 开发一个机器学习框架,克服BMI的领域适应挑战.
- 为了使不同电极配置和实验协议的不同数据集的学习.
主要方法:
- 开发了一个结合图形神经网络 (GNN) 和转移学习的新型框架.
- 这种方法应用于非侵入性运动图像 (MI) 电脑图像 (EEG) 解码.
- 使用了三个MIEEG数据库,具有不同的电极号码 (22-64) 和布局.
主要成果:
- 基于GNN的转移学习框架在测试数据集上实现了高精度和低标准偏差.
- 该模型有效地从具有不同电极布局的数据集中汇总了知识.
- 观察到独立于主体的MIEEG分类有了更好的概括性.
结论:
- 拟议的框架通过整合各种EEG数据集,有效地解决了BMI中的域调整问题.
- 这种方法提高了运动图像分类的概括能力,克服了非统一的实验设置的局限性.
- 这些发现推动了大脑与计算机接口技术的开发和应用.
