参与者之间的转移学习与基于注意力的领域对抗训练,用于P300检测
Shurui Li1, Ian Daly2, Cuntai Guan3
1Center of Intelligent Computing, School of Mathematics, East China University of Science and Technology, Shanghai 200237, China.
概括
这项研究引入了一种新的深度学习方法,即注意域对抗神经网络 (OADANN),以提高脑计算机接口 (BCI) 的性能. OADANN有效地解决了EEG信号的个体差异,以实现更准确,与参与者独立的事件相关的潜在分类.
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) 系统使大脑和计算机之间的通信成为可能.
- 基于事件相关潜力 (ERP) 的BCI通常需要长时间的用户培训来解码模型.
- 脑电图信号的个体变异性在BCI应用中对深度学习模型的概括提出了挑战.
研究的目的:
- 提出一种新的单源域转移学习方法,即注意域对抗神经网络 (OADANN).
- 为了减轻基于ERP的BCI的跨参与者分类数据分布差异.
- 提高参与者独立的BCI模型的准确性和稳定性.
主要方法:
- 开发并实施了注意域对抗神经网络 (OADANN) 模型.
- 在OpenBMI数据集和自我收集的数据集上接受了OADANN的培训和验证.
- 为了进行强有力的评估,采用了一个"离开一个参与者"的交叉验证方案.
主要成果:
- OADANN取得了最高和最强大的分类性能.
- 与基线方法 (CNN,EEGNet,ShallowNet,DeepCovNet) 和域泛化技术 (ERM,Mixup,Groupdro) 相比,已经证明了显著的改进.
- 有效地解决了EEG信号的个体差异,以改善跨参与者分类.
结论:
- 拟议的OADANN方法对于在BCI中参与者独立的ERP分类非常有效.
- OADANN成功地减轻了参与者之间的数据分配差异.
- 这种方法为BCI培训和通用化的挑战提供了一个有希望的解决方案.
