在基于相互信息和皮尔森相关系数的运动图像大脑计算机接口中抑制负转移
Fenfang Zhu1, Jicheng Cai2, Hao Zheng2
1School of Life Sciences, Anhui University, Hefei 230000, China.
The Review of scientific instruments
|July 10, 2024
概括
这项研究引入了用于脑-计算机接口转移学习的新算法,解决了数据长度和参与者选择挑战. 这些方法通过减少负迁移来提高学习效率和准确性.
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
- 机器学习 机器学习
背景情况:
- 大脑-计算机接口 (BCI) 由于个体差异而面临转移学习的挑战.
- 数据特征长度和源域样本选择显著影响BCI性能.
研究的目的:
- 为了解决BCI转移学习中特征长度引起的负迁移.
- 提高BCI的分类准确性和学习效率.
- 开发一种最佳源域参与者选择的方法.
主要方法:
- 相互信息传输 (MIT) 算法根据来选择有效的特征.
- 皮尔森相关系数源域自动选择 (PDAS) 算法来选择合适的参与者.
- 在公共数据集上进行离线和在线测试,与现有算法进行比较.
主要成果:
- 麻省理工学院的算法有效地减少负迁移,提高学习效率.
- PDAS算法自动选择合适的源域参与者,提高准确性.
- 结合MIT + PDAS算法显示出相对于现有方法的显著优势.
结论:
- 拟议的MIT和MIT+PDAS算法为BCI转移学习提供了实质性的改进.
- 这些方法有效地减轻了与数据特征和个体差异相关的挑战.
- 这些算法显示出更准确,更高效的BCI系统的前景.
