使用LSTM自编码器对EEG信号进行压缩,采用域适应方法

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 基于神经网络的脑电图 (EEG) 压缩可以降低数据传输成本.
• 性能降低发生在压缩多主体EEG数据时,由于主体间特征转移.
• 现有的方法难以同时从不同主题获取信息.

研究的目的:

• 开发一个域适应 (DA) 框架,以改善对不同受试者的EEG信号压缩.
• 加强利用多主体数据,以提高目标领域的性能.
• 为了应对跨主体EEG压缩中特征转移的挑战.

主要方法:

• 提出了一个域调整 (DA) 框架,使用长短期内存 (LSTM) 自动编码器.
• 将LSTM自编码器与GRU自编码器和对EEG压缩的卷积自编码器 (CAE) 进行比较.
• 评估了基于最大平均差异 (MMD) 的 DA 和微调转移学习的 DA 方法.

主要成果:

• 在主体特定和跨主体EEG压缩任务中,LSTM自动编码器表现出卓越的性能.
• 转移学习显著提高了LSTM自动编码器在目标受试者的性能.
• 拟议的DA方法优于基于MMD的DA和微调,实现了更实质性的性能提升.

结论:

• LSTM-自动编码器对EEG压缩非常有效,性能优于其他自动编码器架构.
• 域调整是缓解EEG压缩中跨主体性能变化的关键技术.
• 与现有的转移学习方法相比,拟议的DA框架为多主体EEG信号压缩提供了更好的解决方案.