通过对比学习来增强跨主题的听觉注意力检测,以提高EEG特征的精细化

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:

• 基于脑电图 (EEG) 的听觉注意力检测 (AAD) 对大脑-计算机接口至关重要.
• 跨学科的性能降低是个体EEG特征变化的一个主要挑战.

研究的目的:

• 开发一个新的框架,AAD-ContrastNet,以提高跨学科的AAD性能.
• 通过使用对比学习来减少EEG特征在不同受试者的差异.

主要方法:

• 拟议的AAD-ContrastNet框架包括基于注意力的EEG编码器,基于对比学习的EEG编码器,特征精细化模块和分类器.
• 利用对比式学习来完善时间EEG特征并最大限度地减少主体间的变化.

主要成果:

• T-SNE可视化证实了改进的EEG特征概括与对比学习和交叉注意力改进.
• 与最先进的模型 (DenseNet-3D,DARNet) 相比,AAD-ContrastNet显著提高了跨主题解码精度.

结论:

• 在基于EEG的AAD中,AAD-ContrastNet有效地减轻了跨主题的性能下降.
• 该框架显示了强大和通用的听觉大脑计算机接口系统的潜力.