TCPL:任务调节的快速学习,用于几个镜头的交叉主体运动图像EEG解码

科学领域:

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

背景情况:

• 运动图像 (MI) 电脑图像 (EEG) 解码对于大脑与计算机接口 (BCI) 是至关重要的.
• 显著的跨主体变异性和有限的数据阻碍了现有的MI-EEG解码方法的跨主体适应.
• 目前的方法通常需要大量的微调,或者无法捕获个别的神经模式.

研究的目的:

• 为MI-EEG解码开发一种有效的几次射击跨主题适应方法.
• 解决现有方法在处理学科间的变化和有限的培训数据方面的局限性.
• 促进个性化脑电脑接口系统的发展.

主要方法:

• 拟议的任务条件即时学习 (TCPL) 将任务条件即时 (TCP) 模块与混合时空卷积网络 (TCN) 和变压器骨干集成.
• 采用超学习框架,以最少的样本快速适应.
• TCP模块将特定主题的变化编码为提示令牌; TCN提取本地时间模式; 变压器捕获全球依赖.

主要成果:

• 在三个公共数据集 (GigaScience,Physionet,BCI竞赛IV 2a) 上,TCPL表现出强大的概括性和有效的适应性.
• 该模型有效地处理学科间的变化和有限的培训数据.
• 在几次拍摄的EEG解码场景中实现了强大的性能.

结论:

• TCPL是一种可行的方法,用于实际的几次射击EEG解码.
• 拟议的方法显示了推进个性化脑机接口系统的巨大潜力.
• 强调了将快速学习与BCI应用程序的混合深度学习架构集成的有效性.