机动任务到任务转移学习用于机动图像的大脑和计算机接口.
1Department of Computer Science and Electrical Engineering, Handong Global University, 37554, South Korea.
NeuroImage
|November 4, 2024
概括
这项研究引入了用于脑计算机接口 (BCI) 的新转移学习方法. 将运动执行 (ME) 和运动观察 (MO) 任务与运动图像 (MI) 结合起来,可以显著提高MI-BCI的可用性和准确性.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人与计算机的交互
背景情况:
- 运动图像 (MI) 是一个关键的脑电脑接口 (BCI) 控制方法.
- MI-BCI校准是漫长而乏味的,减少了用户友好性.
- 运动执行 (ME) 和运动观察 (MO) 是具有相似神经基础的不那么累人的替代方案.
研究的目的:
- 使用任务对任务转移学习开发一个用户友好的MI-BCI.
- 在BCI框架内整合和比较ME,MO和MI任务.
- 为了提高MI-BCI的性能,减少校准时间.
主要方法:
- 从28名从事ME,MO和MI任务的受试者获得的脑电图 (EEG) 数据.
- 分析了与事件相关的非同步 (ERD) 模式的α节奏.
- 实施和评估任务转移学习模型,包括组合数据集.
主要成果:
- ME和MO任务显示出与MI相似的α节律ERD模式,但有时间差异.
- 在任务内部的准确率为67.05% (ME),65.93% (MI) 和73.16% (MO).
- 转移学习与ME和50%的MI数据改善了MI分类准确度至69.21%,超过了任务内准确度.
结论:
- 对MI-BCI来说,任务转移学习是可行的.
- 整合ME和MO任务可以显著提高MI-BCI培训协议.
- 这种方法为创建更易于使用和更高效的MI-BCI提供了一个有希望的解决方案.


