深度学习模型中的潜在对齐用于EEG解码

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:

• 使用脑电图 (EEG) 的脑电脑接口 (BCI) 与主体间信号变异性相斗争.
• 目前的方法标准化了EEG信号分布,但特征空间对齐可能更有效地进行分类.

研究的目的:

• 引入和验证隐性对齐方法,以改进独立于主体的EEG解码.
• 为了比较隐性对齐与现有的统计领域适应技术.

主要方法:

• 开发了潜伏对齐,这是一种深度设置架构,应用于EEG试验,用于特征空间分布对齐.
• 与运动图像,睡眠阶段和P300任务的统计领域适应方法进行了隐性对齐的比较.

主要成果:

• 隐性对齐在不同任务的独立主体EEG解码中表现出一致的改进.
• 在调整阶段和对阶级不平衡的敏感性之间观察到一个权衡.

结论:

• 隐性对齐提供了一种强大的方法来增强基于深度学习的EEG解码模型.
• 这种技术为医疗保健和辅助技术中的真实世界BCI应用提供了实用的见解.