在RSVP任务中进行EEG分类的交叉尺度变压器和三次视图基于注意的域校正转移学习

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:

• 使用脑电图 (EEG) 信号的脑电脑接口 (BCI) 在快速串行视觉呈现 (RSVP) 中有效检测目标.
• 目前的深度学习模型难以同时捕捉多尺度的时间和多视图的光谱EEG特征,从而限制了性能.
• 现有的转移学习方法往往无法创建可转移的跨主题表示,并忽视个人特定信息,阻碍了概括.

研究的目的:

• 为了解决目前基于EEG的BCI对RSVP目标检测的局限性.
• 开发一个新的深度学习框架,集成多层次的时间和光谱特征提取.
• 通过使用域修正转移学习,提高EEG分类中的跨学科可转移性.

主要方法:

• 开发了一种跨度变压器 (CST),以提取和模拟多度时间EEG特征中的依赖关系.
• 一个三视注意力 (TVA) 机制被设计为从多通道时间频率表示中捕获歧视性光谱特征.
• 提出了一个域修正转移学习 (DRTL) 框架,以学习域不变和域特定的EEG表示.

主要成果:

• 与最先进的方法相比,拟议的CST-TVA-DRTL模型在RSVP分类中表现出优异的性能.
• 该框架成功地提取了多个尺度的时间和多个视图的光谱特征,以增强EEG表示学习.
• 该DRTL方法有效地平衡了域不变和域特定信息,以改善跨主题的概括性.

结论:

• CST-TVA-DRTL框架在基于EEG的RSVP目标检测方面取得了重大进展.
• 同时考虑多尺度的时间和光谱特征可以提高BCI的性能.
• 拟议的域修正转移学习方法提高了EEG分类中的跨学科可转移性.