ITSEF:基于P300检测的初始两阶段组合框架

科学领域:

• 神经科学
• 机器学习
• 生物医学工程

背景情况:

• 基于P300的脑电脑接口 (BCI) 面临挑战,包括低信号噪声比,主体间的可变性和类不平衡.
• 现有的方法难以有效地解决这些局限性,阻碍了P300信号检测的最佳准确性.
• 深度学习方法具有潜力,但需要专门的结构来处理复杂的信号.

研究的目的:

• 为提高BCI中的P300检测准确性提出基于Inception的新型两阶段组合框架 (ITSEF).
• 提高少数群体的分类性能,改善整体模型的通用化.
• 为P300信号分析提供创新的深度学习解决方案.

主要方法:

• 开发了一个基于Inception的卷积神经网络 (ICNN),用于多级特征提取和跨通道学习.
• 实施了两阶段组合框架 (TSEF),包括预培训和微调策略.
• 使用累积学习策略,从传统和再平衡的分支进行动态加权的预测,以专注于少数群体.

主要成果:

• ITSEF在BCI竞争III数据集II上实现了86.16%的最先进的P300分类准确度,在BCIAUT-P300上达到92.13%.
• 与现有最先进的方法相比,在各自的数据集上表现出4.61%和1.01%的性能改善.
• 与基线模型和常见类别再平衡策略相比,显示了显著的改进.

结论:

• 拟议的ITSEF有效地解决了P300检测挑战,包括低信号噪声比和类不平衡.
• 该框架表现出卓越的性能和通用化能力,为P300-BCI提供强大的解决方案.
• ITSEF是一个有前途的深度学习框架,在P300-BCI系统中具有显著的应用潜力.