基于实例的转移学习与基于SSVEP的跨主题BCI的相似性意识主题选择.
IEEE journal of biomedical and health informatics
|June 9, 2025
概括
本研究引入了新的转移学习方法 (iTRCA和SS-iTRCA),通过减少数据需求来改善脑计算机接口 (BCI). 这些技术有效地处理稳定状态视觉唤起潜力 (SSVEP) 数据中的个体差异.
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:
- 基于稳态视觉唤起潜力 (SSVEP) 的脑电脑接口 (BCI) 需要大量的训练数据来实现高精度.
- 转移学习可以通过使用来自其他学科的数据来减少数据需求,但个体变异性是一个挑战.
研究的目的:
- 提出和评估一个新的转移学习框架 (iTRCA),以解决SSVEP-BCI的个体变化.
- 开发一个增强的框架 (SS-iTRCA),选择主题以减轻负面转移.
主要方法:
- 基于实例的任务相关组件分析 (iTRCA) 提取了一般主题和主题特定特征.
- 基于对象选择的iTRCA (SS-iTRCA) 使用基于相似性的对象选择来确定最佳的源对象.
- 框架在基准,BETA和自收集数据集上进行了评估.
主要成果:
- iTRCA有效地利用源主题的知识,同时保持目标主题的独特性.
- 通过选择适当的源主题,SS-iTRCA表现出更好的性能.
- 这两种框架在比较评估中都表现出有效性.
结论:
- 拟议的iTRCA和SS-iTRCA框架为高性能SSVEP-BCI提供了潜在的解决方案,减少了数据要求.
- 这些方法有效地解决了BCI转移学习中的个体变化.


