基于SSVEP-BCI的跨主体积极传输的双通道TRCA网络

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 稳态视觉唤起的基于潜力的脑电脑接口 (SSVEP-BCI) 是有前途的,但其解码准确性较低,主体间可变性较高.
• 现有的方法在不同用户之间难以通用,限制了SSVEP-BCI的实际应用.

研究的目的:

• 为了提高SSVEP-BCI解码精度和信息传输速度.
• 为了更广泛地采用SSVEP-BCI,减少学科间的变化.
• 引入一种新的跨学科转移学习方法,以提高SSVEP-BCI的性能.

主要方法:

• 开发了一种双通道TRCA-net (DC-TRCA-net) 方法,其中包括跨主体的阳性转移.
• 实施了一种创新的基于转移精度的科目选择 (T-ASS) 策略,以有效选择源科目.
• 使用与SSVEP域调整网络 (SSVEP-DAN) 集成的深度学习网络,以及跨主题数据增强.

主要成果:

• 与现有网络相比,DC-TRCA-net在两个大型公共基准数据集上表现出更好的表现.
• 该T-ASS战略有效地选择了源主题,减轻了负面转移风险.
• 观察到显著的性能增长,特别是在复杂的实验条件下,突出了改进的模型通用化.

结论:

• 拟议的DC-TRCA-net方法显著提高了SSVEP-BCI解码精度和信息传输速度.
• T-ASS战略和SSVEP-DAN集成有助于强大的跨学科转移学习.
• 这种方法为开发更可靠,更广泛应用的SSVEP-BCI系统提供了有希望的解决方案.