通过对象之间的共识信息传输来提高基于SSVEP的BCI性能

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 大脑计算机接口 (BCI) 通过稳态视觉唤起潜能 (SSVEP) 提供高速通信.
• 在SSVEPBCI中解码准确性受到广泛的主体特定数据的需求的限制.
• 利用现有的数据集对于提高SSVEP BCI性能至关重要.

研究的目的:

• 引入ConsenNet,这是一个提高SSVEP分类准确性的新框架.
• 提高SSVEPBCI对新主题的概括能力.
• 为了在各个受试者中提取不变的特征,以获得强大的BCI性能.

主要方法:

• 利用主题多样性来生成与任务相关的组件和可变性的合成数据.
• 利用知识蒸来将结构化的类别间关系从教师转移到学生网络.
• 将少量新的受试者数据纳入最终模型校准.

主要成果:

• 与19种现有方法相比,ConsenNet在三个公共SSVEP数据集中表现出优异的性能.
• 线下实验证实了该框架在提高分类准确性的有效性.
• 在线实验验证了ConsenNet在现实世界BCI应用中的实际可行性.

结论:

• 通过利用各种主题数据和知识蒸,ConsenNet有效地提高了SSVEP分类.
• 该框架改善了BCI对新学科的概括性,解决了该领域的一个关键挑战.
• 在开发更准确,更适应的基于SSVEP的BCI方面,ConsenNet显示出显著的前景.