EFRM:一个多模式的EEG-fNIRS表示学习模型,用于几次射击的大脑信号分类
1Division of Intelligent Robot, Daegu Gyeongbuk Institute of Science and Technology (DGIST), Daegu, 42988, South Korea.
Computers in biology and medicine
|November 12, 2025
概括
这项研究引入了一种多式脑信号模型,用于使用最小标记数据进行可靠的分类. 该方法增强了对脑电图 (EEG) 和功能近红外光谱 (fNIRS) 信号的转移学习,优于单模方法.
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:
- 对于最小标记数据场景,需要强大的脑信号分类器.
- 转移学习是一种有前途的策略,但现有的方法往往缺乏对EEG和fNIRS等模式的概括性.
研究的目的:
- 开发一种可适应单独对EEG,单独对fNIRS和对对的EEG-fNIRS数据集的多模式表示模型.
- 提高转移学习性能,用于大脑信号分类,特别是fNIRS信号.
主要方法:
- 一种两阶段的方法:为特定模式和共享表示进行预训练,然后为下游任务转移学习.
- 使用了大规模的未标记数据集 (约. 1250小时从918名参与者) 进行预培训.
- 能够适应单模数据集,与以前的多模方法不同.
主要成果:
- 多式联网模型通过利用EEG和fNIRS的共享领域,优于单式联网方法.
- 实现了与最先进的监督模型相比的竞争性表现,即使具有有限的标记数据.
- 与之前预训练的模型相比,fNIRS分类显著改善.
结论:
- 提出的方法提供了一种灵活和实用的解决方案,用于使用转移学习对大脑信号进行分类.
- 对于单模和多模脑信号数据都有效,增强了分类器的稳定性.
- 推进了转移学习在神经成像分析中的应用,特别是在fNIRS.
