基于适应性欧几里德对齐的轻量级无源域调整,用于脑-计算机接口

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:

• 基于脑电图 (EEG) 的脑电脑接口 (BCI) 需要强大的跨主题识别来保护隐私.
• 无源域调整 (SFDA) 是有效的,但每一个新主题的更新模型是不方便的.
• 主题之间的域偏移阻碍了主题独立的BCI的性能.

研究的目的:

• 提出适应性欧几里德对齐 (AEA) 来解决SFDA中的域漂移,用于跨学科的EEG分类.
• 将AEA与现有的SFDA方法集成,以创建新的,改进的BCI模型.
• 评估基于AEA的SFDA方法在各种EEG数据集和深度学习架构中的有效性.

主要方法:

• 扩展的欧几里德对齐 (EA) 提出了自适应的欧几里德对齐 (AEA),学习一个投影矩阵来对齐目标和源主体数据分布.
• 将AEA与SHOT,GSFDA和NRC结合起来,开发了AEA-SHOT,AEA-GSFDA和AEA-NRC.
• 将这些基于AEA的SFDA方法应用于EEGNet,Shallow ConvNet,Deep ConvNet和MSFBCNN的机动图像,ERP和SSVEP数据集.

主要成果:

• AEA有效地消除了域偏移,显著提高了跨主题EEG分类性能.
• 与现有方法相比,基于AEA的SFDA方法显示出更高的性能.
• 在PhysioNet数据集上,AEA-SHOT实现了最高的平均准确率81.4%,达到最高的平均准确率.

结论:

• 拟议的AEA是一种强大的技术,可以通过减轻域转移来增强独立于主体的BCI性能.
• 基于AEA的SFDA方法为跨主题的EEG识别提供了实用和有效的解决方案,减少了计算负担.
• 这些发现凸显了AEA在推进保护隐私和高性能BCI方面的潜力.