基于稀疏调节的塔克尔分解的EEG多域特征转移

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) 的张量分析揭示了大脑活动和相互作用.
• 脑电图数据中的主体变异性挑战了现有的张量分解方法,导致了非客观的分类.
• 传统的塔克分解面临特征维度爆炸的问题.

研究的目的:

• 提出一种新的EEG张量转移算法,基于Sparse调节的塔克分解 (TSL-SRT) 的张量子空间学习.
• 在EEG张量分析中解决非客观性和特征维度爆炸问题.
• 确保跨主题的特征在同一域中分布,以改善分析.

主要方法:

• 开发了TSL-SRT算法,集成特征转移和稀疏规则化的塔克分解.
• 用新处理的EEG样本作为目标域和原始样本作为特征投影的源域.
• 使用冗余的EEG特征选算法来减轻尺寸爆炸.

主要成果:

• 在三个脑计算机接口 (BCI) 数据集上,分类准确度达到77.8%,73.2%和75.3%.
• 视觉化证实了TSL-SRT在提取BCI任务的活跃大脑区域特征方面的有效性.
• 从一个统一域内的不同主体同时提取多域特征.

结论:

• TSL-SRT为EEG张量分析提供了一种新且有效的方法,克服了现有算法的局限性.
• 该算法确保了客观性,并处理跨主题EEG数据中的特征维度问题.
• TSL-SRT为分析BCI应用中的各种主题特征提供了一个统一的域.