CRE-TSCAE:一种基于对双目标RSVP-BCI任务的堆叠卷积自编码器的新型分类模型

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:

• 快速串行视觉呈现 (RSVP) 对于监视中的目标识别至关重要,但主要用于单个目标.
• 双重目标RSVP-BCI (脑计算机接口) 研究是有限的,阻碍了更广泛的应用.

研究的目的:

• 开发一种有效的分类模型,用于在RSVP任务中检测两个目标和一个非目标.
• 在双目标场景中解决现有的RSVP-BCI算法的局限性.

主要方法:

• 提出了一种新的共同表示提取目标堆叠卷积自编码器 (CRE-TSCAE) 模型.
• CRE提取常见的表示法,以减少类内部的变化,增强类间的区别.
• TSCAE控制了培训的不确定性,并最大限度地减少了对广泛的目标培训数据的需求.

主要成果:

• 在2021年和2022年世界机器人大赛的ERP数据集上验证了CRE-TSCAE.
• 实现了71.25%的平均精度 (ACC),超过了最先进的RSVP解码算法至少6.5%.
• 在提取歧视性潜伏特征以区分目标方面表现出强大的能力.

结论:

• CRE-TSCAE为双重目标RSVP-BCI提供了一种创新和有效的解决方案.
• 提供了对不同目标之间的神经生理学区分的见解.
• 在复杂的RSVP任务中提高分类准确性.