多源区分动态域适应跨主题运动图像EEG识别

科学领域:

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

背景情况:

• 电脑电图 (EEG) 对于运动图像 (MI) 脑电脑接口 (BCI) 是至关重要的.
• 深度学习推进了BCI,但传统方法在跨学科概括方面扎.
• 在不同受试者之间有限的概括能力阻碍了基于EEG的BCI性能.

研究的目的:

• 提出一个多源歧视动态域适应 (MSD-DDA) 模型.
• 通过利用域调整来提高运动图像分类的准确性.
• 解决EEG数据的全球和地方差异,以改善BCI.

主要方法:

• 开发了一个多源歧视动态域适应 (MSD-DDA) 模型.
• 动态最小化全球和本地子域之间的差异.
• 引入了批量内核规范最大化,以实现目标域区分和预测多样性.
• 设计了一个加权的联合预测机制,以根据相似性调整源域贡献.

主要成果:

• 实现了高平均分类准确率:92.43% (BCI竞争数据集1),79.24% (BCI竞争数据集2a) 和71.96% (开放的BMI数据集).
• 与经典和最新的算法相比,表现出优越的性能.
• 有效地处理了运动图像分类中的全球和本地差异.

结论:

• 拟议的MSD-DDA模型显著提高了BCI中跨主体运动图像分类的准确性.
• 该模型的动态适应和加权预测机制提高了稳定性和适应性.
• 这种方法为克服基于EEG的BCI的泛化挑战提供了一个有希望的解决方案.