在EEG分类中改进对象转移,通过差异估计进行差异估计
Niklas Smedemark-Margulies1, Ye Wang2, Toshiaki Koike-Akino2
1Khoury College of Computer Sciences, Northeastern University, Boston, MA, United States of America.
Journal of neural engineering
|November 26, 2024
概括
新的规范化技术提高了对未见的主体的脑电图 (EEG) 分类性能. 这些方法通过在培训期间强制执行统计关系来增强模型的概括性,从而减少了对用户特定校准的需求.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 脑电图 (EEG) 分类模型通常在新受试者身上由于性能下降而失败.
- 对于目前的EEG模型,受试者之间的高信号变化需要时间密集的校准.
研究的目的:
- 通过使用新型规范化技术,提高对未见对象的EEG分类模型的性能.
- 为了减少对EEG信号建模中的用户特定校准的需求.
主要方法:
- 提出图形模型,以确定EEG数据中理想的统计关系.
- 开发了使用相互信息和瓦瑟斯坦-1分歧来执行这些关系的规范化处罚.
- 在使用二级神经网络进行模型训练时,对这些差异实施了高效的估计算法.
主要成果:
- 对大型EEG数据集进行的广泛实验表明,与非规范化模型相比,其性能有了显著的改善.
- 与各种超参数的基线对抗分类器相比,提出的技术显示出优异的性能和稳定性.
- 拟议方法的计算成本与基线可比.
结论:
- 新的规范化技术有效地提高了EEG分类的概括性,特别是在零射击主体转移场景中.
- 这些进步有可能在EEG应用中显著减少或消除对用户特定模型校准的需求.
