注意-ProNet: 一个具有混合注意力机制的原型网络,应用于快速串行视觉演示基于脑计算机接口的零校准
Baiwen Zhang1, Meng Xu2, Yueqi Zhang2
1Institute of Information and Artificial Intelligence Technology, Beijing Academy of Science and Technology, Beijing 100089, China.
Bioengineering (Basel, Switzerland)
|April 27, 2024
概括
本研究介绍了Attention-ProNet,这是一种新的零校准方法,用于基于快速串行视觉演示的脑计算机接口 (RSVP-BCI). 它可以在不需要重新培训的情况下高效准确地解码新对象,大大缩短校准时间.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 基于快速串行视觉呈现的脑计算机接口 (RSVP-BCI) 依赖电脑电图 (EEG) 信号分析来识别目标图像.
- 减少RSVP-BCI分类模型的培训和校准时间,跨越多种学科,是实际应用的关键挑战.
研究的目的:
- 开发一种创新的高性能零校准 (ZC) RSVP-BCI解码模型算法.
- 为解决当前RSVP-BCI系统中训练和校准时间长的问题.
主要方法:
- 提出了注意力-ProNet,一种采用元学习的ZC方法,采用了原型网络和多个注意力机制.
- 采用多个尺度的注意力来有效地提取EEG特征,并采用混合注意力机制来增强模型概括.
- 整合了数据增强和通道选择技术,以优化解码模型.
主要成果:
- 在对新主题的解码任务中,Attention-ProNet实现了86.33%的平衡精度 (BA).
- 整合频道选择和数据增强进一步提高了网络性能,增加了另外2.3%的BA.
- 开发的模型证明了高效准确的解码,不需要重新校准或重新培训新用户.
结论:
- 注意-ProNet有效地减少了RSVP-BCI系统的训练和校准时间.
- 具有集成注意力机制的元学习原型网络为实际的BCI应用提供了有前途的解决方案.
- 优化道选择和数据增强策略对于最大限度地提高 ZC RSVP-BCI 模型的性能至关重要.
