无监督域名适应与同步自训练,用于跨域名运动图像识别

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:

• 强大的脑计算机接口 (BCI) 系统需要有效的脑电图 (EEG) 解码.
• 目前的EEG模型在不同实验领域的数据异质性方面扎.
• 这限制了BCI在现实世界,可变条件下的适应能力.

研究的目的:

• 为跨领域的机动图像分类引入同步自训练域适应 (SSTDA).
• 通过解决数据分布差异来提高EEG解码性能.
• 开发一种方法,在各种场景中实现强大的BCI部署.

主要方法:

• 通过自我训练,SSTDA使用标记源域数据和未标记目标域数据.
• 一个特征提取器将原始EEG信号映射到隐藏空间,用于表示学习.
• 一个简单的自我训练过程优化了特征提取器的域共享隐藏空间.

主要成果:

• 在公共数据集上的跨学科任务中,SSTDA取得了高分类准确率 (64.43%和80.40%).
• 该方法在会话间和数据集间验证方面表现优于现有的方法.
• 在一个新的六类运动图像数据集上进行测试,SSTDA的准确度达到77.09%和80.18%.

结论:

• 与现有的算法相比,SSTDA在跨域EEG解码方面表现出优异的性能.
• 这种方法有效地学习了歧视性的,域不变的表示.
• SSTDA显著提高了BCI系统的稳定性和对运动成像任务的概括性.