基于卷积神经网络的域对抗训练的跨主体大脑计算机接口

科学领域:

• 神经科学和生物医学工程
• 机器学习用于信号处理.
• 大脑-计算机接口 (BCI) 开发开发

背景情况:

• 使用脑电图 (EEG) 解码注意力对于日常应用至关重要.
• 脑电图信号的高个体间变异性对通用模型培训构成重大挑战.
• 现有的方法通常需要大量的预处理和特征提取.

研究的目的:

• 提出一个端到端的大脑计算机接口 (BCI) 框架,DA-TSnet,旨在克服注意力解码的EEG信号的个体间变异性.
• 开发一个将时间和空间特征提取与域对抗训练相结合的模型.
• 通过离线,模拟在线和真实在线实验来验证框架的性能.

主要方法:

• 开发了DA-TSnet,这是一个端到端的框架,结合了时间和空间一维 (1D) 卷积神经网络.
• 采用域对抗训练策略,通过最大限度地减少域损失和最大限度地减少任务损失,共同优化任务和域损失.
• 进行了离线分析,对85名受试者进行了模拟在线实验,对22名受试者进行了真实在线实验.

主要成果:

• 实现了89.40%±9.96%的离开一个主体 (LOSO) 交叉验证准确度,超过了最先进的注意力EEG解码方法.
• 在模拟在线实验中证明了88.07%±11.22%的卓越准确性.
• 在真实的在线实验中,平均准确度超过了86%.

结论:

• 端到端的DA-TSnet框架消除了对精细预处理的需求,节省了时间和精力.
• 域对抗训练有效地解决了EEG信号的高个体间变异性,为其他EEG解码任务提供了价值.
• 在线和离线实验中的强性能突显了DA-TSnet在可靠的BCI应用中的潜力.