机动图像解码使用源优化转移学习基于多损失融合CNN CNN

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
• 机器学习 机器学习

背景情况:

• 转移学习对于解码复杂的运动图像 (MI) 任务至关重要.
• 现有的转移学习方法往往忽视了源代码模型的优化性,限制了目标域的适应性和性能.
• 这种差距阻碍了在临床环境中有效应用,例如中风康复.

研究的目的:

• 开发一个可优化的源代码模型,以增强运动图像中的转移学习.
• 引入一种新的源优化转移学习 (SOTL) 框架,以提高目标领域的适应性.
• 评估SOTL在对中风患者的运动图像任务分类方面的有效性.

主要方法:

• 提出了一个多损失融合卷积神经网络 (MF-CNN),以创建一个可优化的源模型.
• 开发了SOTL方法,以将源模型特征与目标域特征对齐.
• 在16名健康受试者身上训练的模型转移给16名中风患者进行单边上肢MI任务.

主要成果:

• 在中风患者中,在四种单边上肢MI任务中达到平均分类准确率为51.2 ± 0.17%.
• 与传统的深度学习 (p < 0.001) 和标准转移学习 (p < 0.05) 相比,显示出明显更高的准确性.
• 验证了使用健康受试者的MI模型用于中风患者分类的可行性.

结论:

• 在中风患者中,SOTL显著提高了运动图像解码的性能.
• MF-CNN和SOTL框架为个性化中风康复提供了一个有希望的方法.
• 这项研究提供了支持神经恢复和辅助技术开发中的转移学习应用的经验证据.