可解释的交叉任务自适应转移学习用于运动图像EEG分类
Minmin Miao1,2, Zhong Yang1, Hong Zeng3
1School of Information Engineering, Huzhou University, Huzhou, People's Republic of China.
Journal of neural engineering
|November 14, 2023
概括
本研究介绍了一种可解释的交叉任务转移学习方法,用于运动图像 (MI) 电脑图像 (EEG) 解码. 使用运动执行 (ME) EEG数据进行预训练显著提高了MI EEG解码精度,减少了对广泛MI数据的需求.
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:
- 深度转移学习 (TL) 对于基于运动图像 (MI) 电脑脑图像 (EEG) 的脑电脑接口 (BCI) 是至关重要的,因为对特定主体的数据有限.
- 现有的TL方法有先进的跨主题/会话和跨设备场景,但MI EEG的跨任务深度TL仍然未得到充分探索.
研究的目的:
- 为MIEEG解码开发一种新的,可解释的跨任务自适应TL方法.
- 调查利用运动执行 (ME) EEG数据进行增强MI EEG解码的可行性.
- 为了应对MIEEG解码的有限培训样本的挑战.
主要方法:
- 提出了一种跨任务自适应的TL方法,涉及ME和MIEEG数据之间的相似性分析和数据对齐.
- 预先训练了一个使用广泛的MEEEG数据的深度学习模型,并通过部分MIEEG数据进行微调.
- 雇佣了基于梯度的预期后期可解释性分析,以可视化关键的时间空间特征.
主要成果:
- 在OpenBMI数据集上达到80.00%的高分类准确度,在GIST数据集上达到72.73%.
- 在MIEEG解码中超越了几种最先进的算法.
- 可解释性分析证实了ME和MIEEG数据之间的相关性以及跨任务适应的有效性.
结论:
- 通过利用先前存在的ME EEG数据,可以显著改进MI EEG的解码.
- 拟议的方法有效地缓解了MIEEG解码的有限培训样本的约束.
- 这种方法对于开发更强大,更容易获得的BCI具有实际意义.
