跨数据集运动图像EEG转移学习的多源深域适应组合框架
Minmin Miao1,2, Zhong Yang1, Zhenzhen Sheng1,2
1School of Information Engineering, Huzhou University, Huzhou, People's Republic of China.
Physiological measurement
|May 21, 2024
概括
这项研究引入了一种新的转移学习框架,以提高运动图像EEG分类的准确性. 拟议的多源深域适应组合框架 (MSDDAEF) 有效地解决了跨数据集的数据变化.
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) 对于测量大脑活动至关重要,运动图像 (MI) EEG显示出临床潜力.
- 卷积神经网络 (CNN) 广泛用于MI EEG分类,但性能受到特定主题数据稀缺性的限制.
- 缺乏特定主体数据阻碍了MIEEG分类中的解码准确性和概括性.
研究的目的:
- 提出一种新的转移学习 (TL) 框架,以提高MI EEG分类性能,用于使用辅助数据集的目标受试者.
- 开发一个多源深域适应组合框架 (MSDDAEF) 进行强大的交叉数据集MI EEG解码.
- 调查跨数据集TL的可行性和有效性,以改善MI EEG分类.
主要方法:
- 开发了一个多源深域适应组合框架 (MSDDAEF) 用于跨数据集MI EEG解码.
- 该MSDDAEF整合了模型预培训,深度域调整和多源组合技术.
- 通过检查每个组件内的不同设计来评估框架的稳定性.
主要成果:
- 以openBMI作为目标数据集和GIST作为源数据集实现了最高的平均分类准确率74.28%.
- 当GIST是目标数据集,openBMI是源数据集时,达到69.85%的平均分类准确率.
- 与几项已建立的研究和最先进的算法相比,证明了优越的分类性能.
结论:
- 交叉数据集TL是一种可行的方法,用于左/右手MIEEG解码.
- 在MIEEG分析中,MSDDAEF提供了一个有希望的解决方案,以减轻跨数据集的变化.
- 拟议的框架提高了MI EEG分类模型的准确性和通用性.
