通过积极采样转移学习,以在BCI-P300中快速培训和校准,跨卫生州和多中心数据中心

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 机器学习和深度学习已经提升了脑计算机接口 (BCI) 的性能.
• 大规模的BCI适用性受到个人健康,硬件和神经数据的文化差异的阻碍.
• 目前的BCI研究经常使用统一的设置,限制了现实世界的概括性.

研究的目的:

• 通过深度学习和转移学习来提高BCI分类的准确性.
• 解决调整模型以适应来自不同来源 (设备,受试者,中心,人口) 的多样化,不平衡数据集的挑战.
• 提出一种新的适应性转移学习方法,用于在高度异质的BCI数据中检测P300波.

主要方法:

• 在BCI中使用卷积神经网络进行P300波探测.
• 引入了主动采样 (AS),一种基于毒素采样盘 (PDS) 的自适应转移学习方法.
• 系统灵活地调整从源域到目标域的过渡,以适应模型.

主要成果:

• 通过对主体进行微调调整 (40%),实现了5.36%的平均分类准确度改善.
• 在两个不同的,国际复制的数据集中,分类准确度标准偏差减少了12.22%.
• 在分类准确性,计算时间和培训效率方面表现优于现有方法.

结论:

• 拟议的积极采样 (AS) 方法在异质环境中显著改善BCI性能.
• AS增强了模型的通用性,并减少了过拟合,这对于现实世界的BCI应用至关重要.
• 这种方法为在各种BCI数据场景中有效的模型传输和调整提供了有希望的解决方案.