半监督的多源转移学习,用于跨学科的EEG运动图像分类

科学领域:

• 神经科学和生物医学工程
• 机器学习用于医疗保健

背景情况:

• 脑电图 (EEG) 运动图像 (MI) 分类对于大脑与计算机接口 (BCI) 是至关重要的.
• 收集标记的EEG数据是耗时和劳动密集的,阻碍了新学科模型培训.
• 在EEG信号的显著跨主体变异性降低了跨主体分类性能.

研究的目的:

• 开发一个模型,利用现有的标记EEG数据和来自新受试者的未标记数据.
• 在跨主题场景中,提高新主体的运动图像分类准确性.
• 为应对基于EEG的BCI数据稀缺性和个体差异的挑战.

主要方法:

• 提出了一种半监督多源传输 (SSMT) 学习模型.
• 专注于学习信息和域不变表示,用于跨主题MI-EEG分类.
• 实施了动态转移权重方案,以整合多源域特征进行最终预测.

主要成果:

• 在两个公开的EEG数据集上实现了平均准确度为83.57%和85.09%.
• 证明了SSMT方法在跨学科MI分类中的有效性.
• 验证了域不变表示在最大化数据实用性的重要性.

结论:

• SSMT模型成功地提高了新对象的运动图像分类.
• 该研究强调了域不变表示对于基于EEG的稳健BCI的重要性.
• 拟议的方法为数据稀缺和个性化的BCI应用提供了可行的解决方案.