基于EEGNet的多源域过器用于BCI转移学习
Mengfan Li1,2,3, Jundi Li4,5,6, Zhiyong Song4,5,6
1State Key Laboratory of Reliability and Intelligence of Electrical Equipment, School of Health Science and Biomedical Engineering, Hebei University of Technology, Tianjin, China. mfli@hebut.edu.cn.
Medical & biological engineering & computing
|November 20, 2023
概括
本研究介绍了EEGNet-MDFTL,这是一种用于脑计算机接口 (BCI) 的新型转移学习方法. 它有效地减少了数据需求,并通过学习域不变特征来提高EEG解码精度.
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:
- 大脑-计算机接口 (BCI) 的深度学习模型在电脑脑图 (EEG) 数据中与个体之间的差异作斗争.
- 训练BCI的深度学习模型通常需要每个主体大量的数据,增加成本.
研究的目的:
- 提出一种新的转移学习方法,EEGNet-MDFTL,以减少培训数据需求并提高BCI的性能.
- 为深度学习应用解决EEG数据中个体间的变异性挑战.
主要方法:
- 开发了EEGNet-MDFTL,一种使用包装集体学习的转移学习方法.
- 采用多源域过器,利用模型损失值来选择相关数据源.
- 专注于从多个数据源中学习域不变特征.
主要成果:
- 实现了91.96%的解码精度,超过了基线和最先进的方法.
- 即使数据减少到原始数量的1/8,也证明了持续的高准确性.
- 确认源域过器有效地选择类似的域以提高模型准确性.
结论:
- 使用有限的数据,EEGNet-MDFTL显著提高了EEG解码性能,从而降低了BCI培训成本.
- 拟议的方法突出了集体学习在为强大的BCI模型提取域不变特征方面的有效性.
