一种深度神经网络和转移学习的联合方法,用于与错误相关的潜在的跨任务分类

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:

• 与错误相关的潜能 (ErrPs) 是大脑对错误和意外事件的反应.
• 准确的ErrP检测对于脑计算机接口 (BCI) 至关重要.
• 目前的方法与EEG信号非静态性和有限的数据集作斗争.

研究的目的:

• 为准确的ErrP分类开发一个深度学习模型.
• 为了应对有限的ErrP数据集和信号非静止性的挑战.
• 改进 ErrP 检测在不同任务和会话中的通用化.

主要方法:

• 开发了一个结合卷积层和变压器编码器的深度学习模型.
• 转移学习被用于有效的模型培训.
• 公共可用的数据集被用于模型评估.

主要成果:

• 在跨任务分类中实现了78%的平均准确性,表现优于基线.
• 在离开一个主题 (71.81%),会议内 (78.74%) 和跨会议 (77.01%) 场景中表现出卓越的表现.
• 该模型有效地减少了对广泛的特定任务培训数据的需求.

结论:

• 拟议的深度学习方法提高了ErrP检测的准确性和概括性.
• 这种方法减轻了与有限的ErrP数据集相关的挑战.
• 这些发现为未来对ErrP和BCI应用的研究提供了基础.