转移学习与数据对齐和最佳传输用于基于EEG的运动图像分类.

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:

• 脑电图 (EEG) 信号的非静止性和主体间的可变性对脑电脑接口 (BCI) 构成挑战.
• 当前的BCI系统需要漫长的校准程序来适应个人用户.
• 转移学习 (TL) 被探索为利用现有数据以更快地适应BCI的一种方法.

研究的目的:

• 提出一个新的多源域转移学习融合 (MTLF) 框架.
• 为解决BCI研究中的重大校准问题.
• 为了减少校准工作量,提高分类准确性.

主要方法:

• 该MTLF框架转换源域数据使用静止状态段以最大限度地减少域差异.
• 共同空间模式 (CSP) 用于有效的特征提取.
• 改进的TL分类器用于目标样本分类,而不需要目标域标签.

主要成果:

• 与BCI竞争IV数据集2a和2b上的其他算法相比,MTLF框架实现了最佳性能.
• 在数据集2a上获得了73.69%的平均分类准确度,在数据集2b上获得了70.83%的平均分类准确度.
• 该框架有效地减少了源数据和目标数据之间的领域差异.

结论:

• 拟议的MTLF框架大大降低了BCI系统中的校准负担.
• 在运动成像任务中,MTLF表现出优异的分类性能.
• 这种方法为更高效,更准确的BCI应用提供了有希望的解决方案.