一个跨数据集适应性域选择转移学习框架,用于基于运动图像的脑电脑接口

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 尽量减少校准时间对于使用运动图像 (MI) 的实用脑计算机接口 (BCI) 至关重要.
• 转移学习 (TL) 在减少MI-BCI校准方面表现有希望,但受试者数据分布变化会影响其有效性.
• 解决数据变异性是提高MI-BCI的TL性能的关键.

研究的目的:

• 为MI-BCI提出一个新的跨数据集适应性域选择转移学习框架.
• 通过域选择和数据对齐,通过优化TL来提高MI-BCI的效率和准确性.
• 通过减少对广泛的主题特定培训数据的依赖,提高MI-BCI的实际适用性.

主要方法:

• 开发了一个整合域选择,数据对齐和增强的共同空间模式 (CSP) 算法的框架.
• 使用了109个受试者的大型数据集作为源域,使用最大平均差异识别了对齐的受试者.
• 采用欧几里德对齐和多重复合CSP进行特征提取,并使用支持矢量机进行最终分类.

主要成果:

• 在两个交叉数据集实验中,实现了75.05%和76.82%的分类准确度,超过了现有方法.
• 证明了自适应域选择策略在处理数据分布变化的有效性.
• 验证了框架在降低校准时保持高分类性能的能力.

结论:

• 拟议的转移学习框架通过减少校准需求,同时保持高精度,显著优化MI-BCI的实施.
• 这种方法提高了BCI的现实世界的可行性,使它们更容易获得和更易于使用.
• 未来的研究可以进一步完善域调整技术,以提高MI-BCI性能.