无监督和半监督的域适应网络,考虑全球知识和基于原型的本地类信息,用于机动图像分类
Dongxue Zhang1, Huiying Li1, Jingmeng Xie2
1Jilin University, College of Computer Science and Technology, Changchun, Jilin Province, China; Key Laboratory of Symbol Computation and Knowledge Engineering, Jilin University, Changchun 130012, China.
概括
本研究介绍了GPL,这是一种针对脑电图 (EEG) 信号的域适应方法,通过对齐全球和本地数据特征来改进运动图像的分类. 该方法在无监督和半监督环境中提高了脑计算机接口的准确性.
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:
- 电脑电图 (EEG) 信号的非静止性导致会话变化,阻碍了模型开发和数据共享.
- 对运动图像信号的准确分类对于推进脑计算机接口 (BCI) 至关重要.
研究的目的:
- 提出一种新的领域适应方法,GPL,以提高机动图像信号分类的准确性.
- 为了应对EEG信号变异性和有限的标记目标数据的挑战.
主要方法:
- GPL采用双重方法:使用最大平均差异 (MMD) 损失进行全球特征空间对齐,并通过内存库和对比损失使用基于原型的本地类信息.
- 实施无监督和半监督版本,在无监督环境中实施意识策略,以管理伪标签.
- 源对比损失组织源特征,而交互对比损失促进跨域信息交换.
主要成果:
- 对BCI竞争IV数据集IIa和GigaDB的实验平均分类准确率分别为86.03%和84.22%.
- 拟议的方法显示了对运动图像任务的EEG解码的显著改进.
结论:
- GPL是一种有效的EEG解码模型,通过域调整解决信号非静止性,从而增强运动图像的分类.
- 这些发现有助于开发基于运动图像的更强大,更可靠的脑电脑接口.
