独立于学科的元学习框架,以实现基于EEG的分类器的最佳培训
1Nanyang Technological University, 50 Nanyang Ave, 639798, Singapore; AI Singapore, 3 Research Link, 117602, Singapore.
概括
这项研究引入了一种用于脑电图 (EEG) 分类的新的少/零射击主体独立的元学习框架. 该方法显著提高了运动图像和内在语音任务的准确性,克服了主体间的变化挑战.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 深度学习显示出电脑电图 (EEG) 信号分类的前景.
- 在EEG数据的高跨学科变异性阻碍了强大的深度学习模型培训.
- 现有的受试者适应性方法需要广泛的目标受试者标签.
研究的目的:
- 为基于主体的EEG信号分类适应模型无意识的超学习.
- 开发一个几个/零射击,主题独立的超级学习框架.
- 为了在降低校准的EEG分类任务中实现最先进的性能.
主要方法:
- 提出了一个新的几个/零射击主题独立的元学习框架.
- 将框架应用于多类内在语音和二进制类运动图像分类.
- 评估了跨学科的模型概括和性能.
主要成果:
- 与当前最先进的方法相比,取得了显著的改进.
- 二元类运动图像分类达到88.70%的准确性.
- 多类内在语音分类的平均准确率为31.15%.
结论:
- 拟议的框架有效地训练了零校准和少数镜头模型,用于独立于主体的EEG分类.
- 在各个科目中表现出强大而普遍的性能,在不同大小的数据集上表现良好.
- 可以成功地修改meta-learning的方法,以基于主题的EEG信号分类.
