TFTL:基于EEG的跨主题和跨数据集运动图像BCI的无任务转移学习策略

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:

• 基于运动图像的脑计算机接口 (MI-BCI) 对于神经康复至关重要.
• 长时间的校准和有限的EEG数据阻碍了MI-BCI的可用性和性能.
• 当前的深度学习模型与学科间的变化和数据稀缺性作斗争.

研究的目的:

• 引入基于EEG的跨主题和跨数据集MI-BCI的无任务转移学习策略 (TFTL).
• 通过共同建模多中心数据来减少校准时间和提高模型性能.
• 为了使特定主题的模型构建只使用静止状态的EEG数据.

主要方法:

• 该TFTL战略集成了数据对齐,共享特征提取器和特定分类器.
• 域和数据集区分器被优化,以最大限度地减少主体间的变化.
• 同步优化有助于从不同的数据集向目标主体转移知识.

主要成果:

• 与基线深度学习方法相比,TFTL策略显著提高了性能 (提高了高达15.67%,p = 2.4e-5).
• 在所有测试数据集中,无任务校准要求零MI试验,大大降低了患者负担.
• 在五个不同的数据集 (BCIC IV 2a,数据集 1,Physionet MI,Dreyer 2023,OpenBMI) 上进行评估.

结论:

• 拟议的TFTL战略有效地克服了长时间校准周期和不足的EEG数据的局限性.
• 这种方法显著提高了MI-BCI的临床适用性.
• TFTL促进MI-BCI技术从实验室研究向现实世界的临床应用过渡.