一个基于交叉注意力的类对齐网络,用于在异质空间中的交叉主体EEG分类

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:

• 域调整 (DA) 对于跨学科分类至关重要.
• 传统的DA方法假设均的空间,限制了现实世界的EEG分类.
• 异质空间EEG分类仍然是一个重要的研究挑战.

研究的目的:

• 在异质空间下开发EEG分类的新框架.
• 解决跨领域场景中传统的DA方法的局限性.
• 在复杂,异质的环境中提高跨学科分类准确性.

主要方法:

• 实施了跨领域类对齐策略.
• 开发了一种交叉编码器,以捕获域间数据依赖.
• 引入了一个定制的类区分器,具有优化特征聚合和分散的损失函数.

主要成果:

• 拟议的方法在五种异质空间场景中的两个公共EEG数据集上表现出卓越的性能.
• 在异质标签空间场景中,平均比先进方法高出7.8%.
• 在复杂的异质特征和标签空间场景中,比最先进的方法平均提高了4.1%.

结论:

• 在异质空间中提出了跨主题EEG分类的高效模型.
• 该框架有效地解决了对异质EEG分类的挑战.
• 开辟了生物医学应用跨领域学习的新研究途径.