通过对比学习和自我注意力来利用跨学科MIBCI的时间依赖性
Hao Sun1, Yi Ding2, Jianzhu Bao3
1Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, East China University of Science and Technology, Shanghai 200237, China.
概括
这项研究引入了脑计算机接口 (BCI) 的新框架,使用对比学习和自我注意力. 该方法提高了运动图像分类的准确性,减少了对用户特定训练数据的需求.
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:
- 运动成像脑电脑接口 (MI-BCI) 对于康复和辅助技术至关重要.
- 当前的MI-BCI在分类准确性和长时间的用户特定培训方面扎.
- 开发主体独立模型仍然是一个重大挑战.
研究的目的:
- 为运动图像BCI提出一个新的独立于主体的框架.
- 增强对电脑电图 (EEG) 信号中的时间依赖性的学习.
- 提高BCI对新用户的用户友好性和适用性.
主要方法:
- 开发了一个深度神经网络框架,整合了自我注意力和监督对比学习 (CLS).
- 利用CLS从EEG信号中提取突出的特征,用于运动图像分类.
- 在主体独立条件下对两个大型公共EEG数据集进行了CLS模型的评估.
主要成果:
- 与六个基线算法相比,CLS框架显示出更高的性能.
- 与Giga和OpenBMI数据集的最佳基线相比,实现了1.3%和4.71%的平均分类准确度改进.
- 从非目标受试者数据中有效地学习了不变的歧视特征.
结论:
- CLS框架为主体独立的运动图像BCI提供了一个有前途的解决方案.
- 它显著提高了分类准确性,而不需要广泛的用户特定校准.
- 这种方法有可能简化新用户的BCI模型开发.
