改进联邦学习中对稳定状态视觉唤起潜力分类的概括及其在软抓手中的应用
概括
这项研究引入了用于私人脑电图 (EEG) 信号分类的联合学习框架 (FedGF). 通过将数据保持本地化,FedGF提高了隐私,同时在稳定状态视觉唤起潜力 (SSVEP) 识别中实现了卓越的性能.
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:
- 传统的脑电图 (EEG) 分析需要集中敏感受试者数据,这会给隐私带来风险.
- 分类稳态视觉唤起潜力 (SSVEP) 信号对于脑计算机接口至关重要,但面临隐私挑战.
研究的目的:
- 为跨主题的SSVEP信号分类开发一个保护隐私的框架.
- 通过联合学习和知识蒸来提高模型的通用性和性能.
主要方法:
- 设计了一个联合学习框架 (FedGF),其中有一个中央服务器和本地客户端,用于分布式EEG培训.
- 实现无数据知识蒸 (DFKD),通过全球特征学习实现跨客户知识传输.
- 验证了公共和私人SSVEP数据集的框架.
主要成果:
- 在三个数据集上,FedGF表现出比基线方法更好的性能,精度提高了0.52%,0.65%和0.53%.
- 该框架通过在本地保留原始数据,成功地保护了特定主体的数据隐私.
- 通过联合学习和DFKD实现了增强的模型通用性.
结论:
- 拟议的FedGF框架为跨主题SSVEP分类提供了一种有效和保护隐私的解决方案.
- 与新型智能软抓手的集成证明了训练网络的实际可用性.
- 该研究强调了联合学习在敏感生物医学数据分析中的潜力.
