CAGCNet:基于频道聚合的EEG特征的一般化对比学习

科学领域:

• 生物识别
• 神经科学
• 机器学习

背景情况:

• 使用脑电图 (EEG) 信号或脑印识别的身份识别提供了高度安全性.
• 现有的脑印识别方法在训练和测试数据之间存在分布差异,导致未见域数据的性能下降.
• 潜伏空间中的投射特征之间的大距离在新环境中加剧了性能问题.

研究的目的:

• 提出一种新的通道聚合通用对比学习框架,以基于EEG的强大人体识别.
• 解决由于数据分布转移而导致的未见领域的性能下降的挑战.
• 提高脑印识别模型的概括能力.

主要方法:

• 提出了一个通道聚合的通用对比学习框架.
• 采用带有通道注意力块的多尺度卷积来捕获不同颗粒度的特征.
• 基于特征增强的泛化对比学习在特征层面增加源域数据,以改善未见数据的泛化.

主要成果:

• 与两个多会话数据集的基线方法相比,建议的框架显示出更高的性能.
• 当该模型应用于未见域数据时,它具有增强的概括能力.
• 实验验证了道聚合和一般化的对比学习方法的有效性.

结论:

• 开发的通道聚合通用对比学习框架显著改善了基于EEG的个人识别.
• 该方法有效地减轻了未见域数据造成的性能下降.
• 这项研究通过提供更具普遍性和安全性的识别解决方案, 推动了脑印识别领域的发展.