一个双阶段的EEG零射击分类算法,以类重建为指导

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
• 机器学习 机器学习

背景情况:

• 从神经信号解码人类视觉表征对于理解大脑机制至关重要.
• 脑电图 (EEG) 信号在脑电脑接口中被广泛使用,因为它们的非侵入性和低成本.
• 传统的EEG分类算法难以将其推广到看不见的类.

研究的目的:

• 为了提高未见类的EEG分类算法的性能.
• 开发一种零射击的EEG分类方法,克服传统方法的局限性.

主要方法:

• 提出了以类重建为指导的两阶段零射击EEG分类算法.
• 采用两阶段的培训策略来学习EEG嵌入之间的关系和区别.
• 采用了对比性语言图像预训练 (CLIP) 模型,用于其对齐的潜空间和跨模式概括.

主要成果:

• 在ImageStimulus-EEG数据集上的50路零射击任务中实现了卓越的Top-1,Top-3和Top-5分类准确性.
• 达到了17.77%的Top-1,38.76%的Top-3和54.75%的Top-5准确性.
• 在零射击EEG分类中表现优于最先进和基线模型.

结论:

• 拟议的方法有效地弥合了使用CLIP特征的EEG,图像和文本之间的模式差距.
• 显著改善了用于分类看不见的EEG类型的模型性能.
• 验证了EEG零射击分类方法的有效性.