为了EEG信号分类,利用Few-Shot学习:对最先进的技术和未来方向的调查
Chirag Ahuja1, Divyashikha Sethia2
1Department of Computer Science and Engineering, Delhi Technological University, New Delhi, India.
Frontiers in human neuroscience
|July 25, 2024
概括
短暂学习 (FSL) 技术,包括数据增强 (DA),转移学习 (TL) 和自我监督学习 (SSL),尽管数据有限,但可以增强电脑电图 (EEG) 信号分类. 本综述对这些方法进行了分类,并强调了未来的研究方向.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 信号在诸如运动图像和情感识别等多种应用中表现有前途.
- 传统的机器学习 (ML) 和深度学习 (DL) 模型因有限的标签,噪音和可变性而与EEG数据扎.
- 短暂的学习 (FSL) 为EEG信号分类中的这些挑战提供了解决方案.
研究的目的:
- 在EEG信号分类中系统地审查和分类数据增强 (DA),转移学习 (TL) 和自主监督学习 (SSL) 技术,用于少数射击学习 (FSL).
- 确定适用于各种EEG范式的特定DA策略,TL架构和SSL方法.
- 探索将FSL技术应用于EEG数据的开放研究挑战.
主要方法:
- 系统的文献审查.
- 在EFG的FSL中DA,TL和SSL技术的分类学分类.
- 分析挑战和未来的研究方向.
主要成果:
- 在EEG信号分类中为FSL建立了DA,TL和SSL方法的综合分类.
- 审查确定了针对EEG范式的定制DA策略,高效的TL架构和有效的SSL配方.
- 突出了关键的研究挑战和机会.
结论:
- 集成DA,TL和SSL的FSL方法对于克服EEG信号分类的局限性至关重要.
- 解决已识别的挑战将提高基于FSL的EEG分析的有效性和稳定性.
- 本综述提供了洞察力,以指导未来的研究,以推进EEG信号分类.
