一个适应性会话增量广泛学习系统,用于连续的运动图像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:

• 运动成像电脑图像学 (MI-EEG) 对神经康复系统至关重要.
• 随着患者的康复,MI-EEG功能空间不断发展,需要适应性识别模型.
• 现有的广泛学习系统 (BLS) 在自动架构适应复杂,时间变化的MI-EEG数据方面扎.

研究的目的:

• 为MI-EEG识别中持续学习提出一个自适应的会话增量BLS (ASiBLS).
• 为了使神经康复系统能够自动适应不断变化的患者数据.
• 提高MI-EEG学习模型的可塑性和稳定性.

主要方法:

• 开发了一个自适应式会话增量BLS (ASiBLS),集成相互信息理论.
• 为初始数据设计了一个紧的时空特征提取器 (CTS).
• 引入了相互信息最大化约束 (MIMC),用于增量学习 (iBLS) 中的特征分布对齐.

主要成果:

• ASiBLS的平均解码精度为79.89% (BCI竞争IV-2a) 和87.04% (BCI竞争IV-2b).
• 该模型在多个会话 (最多5次) 中表现出有效的适应性.
• 使用卡帕系数和遗忘率的评估证实了优越的可塑性和稳定性.

结论:

• ASiBLS成功地应对了将BLS模型适应时间变化的MI-EEG数据的挑战.
• 拟议的方法适应地为连续的会议生成优化和缩小的模型.
• 在神经康复应用中,ASiBLS在持续学习中提供了更好的性能.