使用基于扩展LSR的感应转移学习识别MI-EEG信号

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 (MI-EEG) 信号识别对于脑电脑接口 (BCI) 系统至关重要.
• 当前的BCI系统通常需要广泛的专用标记数据来进行分类算法.
• 现有的EEG信号识别转移学习方法可能是特定于模型的,限制了广泛的应用.

研究的目的:

• 为MI-EEG信号识别开发一种更广泛适用的转移学习方法.
• 为应对BCI系统中学科特定培训数据不足的挑战.
• 增强BCI中使用的智能模型的概括能力.

主要方法:

• 提出了一种基于扩展LSR的感应转移学习方法.
• 该方法促进跨不同智能模型的转移学习,包括神经网络,Takagi-Sugeno-Kang (TSK) 模糊系统和内核方法.
• 这种方法旨在从源域转移知识,以提高目标域的性能,但数据有限.

主要成果:

• 拟议的方法有效地从源域转移知识,以提高在数据不足的目标领域的学习绩效.
• 结合多个经典基准模型,改善了转移学习方法的应用和通用化.
• 实验结果验证了该方法在MI-EEG信号识别方面的有效性.

结论:

• 开发的扩展LSR传输学习方法为MI-EEG信号识别提供了强大的解决方案.
• 这种方法扩大了智能模型在BCI系统中的适用性和通用性.
• 该方法显示了提高BCI性能的巨大潜力,特别是当培训数据稀缺时.