运动图像识别的三阶段转移学习EEG识别

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 使用脑电图 (EEG) 检测运动图像 (MI) 对于神经康复和嗜睡评估至关重要.
• 大脑-计算机接口 (BCI) 的进步需要精确和高效的MI意图检测从EEG.
• 跨主题的异质性和有限的EEG数据阻碍了当前基于EEG的MI解码算法.

研究的目的:

• 开发一种新的三阶段转移学习 (TSTL) 方法,以改进基于EEG的运动图像检测.
• 为了利用最佳的传输理论来解决EEG中的数据分布差异.
• 使用标记的源域数据,在未标记的目标域上增强分类性能.

主要方法:

• 提出了三阶段转移学习 (TSTL) 方法,包括里曼的触点空间映射 (RTSM),源域变压器 (SDT) 和最佳子空间映射 (OSM).
• RTSM通过将里曼空间映射到触点空间来最大限度地减少边际概率分布漂移.
• SDT和OSM通过最佳的传输和子空间映射来减少源域和目标域之间的联合和边际分布差异.

主要成果:

• 在两个公开的BCI数据集上,TSTL方法实现了72.24%和69.29%的平均准确率.
• 与现有的最先进的算法相比,在基于EEG的运动图像检测中表现得更好.
• 验证了拟议方法在缓解跨学科异质性和数据稀缺问题方面的有效性.

结论:

• 开发的TSTL方法显著提高了基于EEG的运动图像检测的准确性和效率.
• 最佳运输理论为BCI应用中域调整提供了一个强大的框架.
• 这种方法为现实世界的神经康复和昏昏欲睡检测系统提供了一个有希望的解决方案.