[交叉会话运动图像-脑电解码与里曼空间过和域调整]

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 运动成像 (MI) 电脑脑图像 (EEG) 信号对于大脑与计算机接口 (BCI) 技术至关重要.
• 在MI-EEG分析中的挑战包括非静态性和低信号噪声比,阻碍跨会话分类.
• 现有的方法在不同的会话中与不一致的数据分布作斗争.

研究的目的:

• 提出一种新的里曼空间过和域适应 (RSFDA) 方法,用于增强MI-BCI分类.
• 为了提高跨会话MI-EEG分类任务的准确性和计算效率.
• 为了更好地概括,使用多模块协作框架解决数据分布不一致的问题.

主要方法:

• 开发了一种里曼空间过和域适应 (RSFDA) 方法.
• 实施了多模块协作框架来处理域名转移.
• 在三个公开的MI-EEG数据集上对八种现有方法进行了比较实验.

主要成果:

• RSFDA的平均分类准确率为79.37%,超过了Tensor-CSPNet (76.46%) 的2.91% (P < 0.01).
• 拟议的方法证明了显著降低计算成本,平均训练时间为3分钟,而Tensor-CSPNet的训练时间为25分钟.
• 在交叉会话MI-EEG任务中,RSFDA有效地平衡了分类准确性和计算效率.

结论:

• RSFDA方法为跨会话MI-EEG分类提供了卓越的性能.
• 通过解决不一致的数据分布,RSFDA有效地提高了概括能力.
• 需要进一步的研究来探索RSFDA在更复杂的转移学习场景中的适用性.