对欧几里德对齐与深度学习对EEG解码的系统评估

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:

• 电脑电图 (EEG) 信号对于脑计算机接口 (BCI) 任务至关重要.
• 深度学习 (DL) 模型对BCI有希望,但需要大量的数据.
• 使用多学科数据转移学习可以提高DL模型培训效率.

研究的目的:

• 系统地评估欧几里德对齐 (EA) 对DL模型培训对BCI信号解码的影响.
• 评估EA在改善BCI任务的共享和个人DL模型方面的有效性.
• 调查EA在增强BCI应用中的转移学习绩效方面的作用.

主要方法:

• 使用欧几里德对齐 (EA) 作为EEG数据的预处理步骤.
• 训练共享DL模型,使用EA预处理的多主体数据.
• 评估受过训练的模型对新主题的可转移性.
• 将EA的性能与集成分类器中的单个DL模型进行了比较.

主要成果:

• 通过EA预处理,目标对象的解码精度提高了4.33%.
• 经过EA的研究,DL模型的趋同时间明显缩短了70%以上.
• 对于集体分类器,EA提高了3.71%的准确性,尽管与EA共享的模型仍然优于集体.

结论:

• 欧几里德对齐在增强BCI中DL模型的转移学习方面是有效的.
• 电子分析可以成为一种有价值的预处理技术,以提高BCI的性能和效率.
• 这些发现表明,EA可以成为BCI研究和应用的标准预处理方法.