基于EEG的跨主体运动图像识别自主监督对比学习.

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:

• 脑电图 (EEG) 由于其非侵入性和高分辨率数据,在脑电脑接口 (BCI) 中被广泛使用.
• 脑电图数据集往往缺乏,需要广泛的标签,限制模型的概括性,因为个体间的变化.

研究的目的:

• 开发一种新的自我监督的对比学习框架,用于解码跨主题场景中的运动图像 (MI) 信号.
• 解决数据稀缺问题,提高基于EEG的BCI的概括性能.

主要方法:

• 一个卷积神经网络和注意力机制编码器被设计用于自我监督的对比学习.
• 该框架使用数据增强的借口任务来训练网络,最大限度地减少类似数据转换之间的距离,最大限度地减少不同数据转换之间的距离.
• 这种方法可以从EEG信号中提取深度特征,而不需要标记数据.

主要成果:

• 拟议的框架实现了跨学科的分类准确率为67.32% (BCI IV IIa),82.34% (BCI IV IIb) 和81.13% (HGD).
• 在三个公共汽车图像数据集上,性能超过了现有方法.
• 在解码运动图像信号方面表现出卓越的有效性.

结论:

• 自主监督的对比学习方法显示了在基于运动图像的BCI中增强跨主题转移学习的重大前景.
• 这种方法有效地减轻了与EEG数据稀缺性和个体间变异性相关的挑战.
• 提供了通往更强大和可通用的BCI系统的途径.