RUNet:通过里曼和无监督表示学习实现跨域EEG解码的零校准框架

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:

• 脑电图 (EEG) 信号的变化在脑电图 (BCI) 应用中对可靠的神经解码构成重大障碍.
• 个人差异和环境因素有助于会议间和学科间的变化,使BCI系统的开发复杂化.

研究的目的:

• 引入RUNet,一个零校准框架,旨在克服EEG信号变异性,以改善BCI中的运动图像解码.
• 在EEG数据中开发一种可靠的无监督表示学习方法和里曼的多重学习方法.

主要方法:

• RUNet采用一个多尺度的时空卷积模块来捕获复杂的EEG动态.
• 一个多协同共变优化模块增强了对非静止性的特征稳定性.
• 整合里曼的affine日志映射减轻跨域的协差漂移,促进域不变特征学习.
• 使用一种转移学习框架,包括无监督的对比性预培训和特定任务的再培训.

主要成果:

• 在多个数据集上,RUNet实现了高平均跨会话准确度 (87.19%, 88.03%, 85.45%).
• 在实验室数据上,跨学科准确率高达87.25%,在PhysioNet数据集上达到78.14%.
• 证明了有效的跨领域概括能力.

结论:

• RUNet的统一管道有效地解决了BCI的EEG变化挑战.
• 该框架在不同的数据集和条件中显示出强大的性能和概括性.
• 对于实际的,零校准的BCI应用,RUNet提供了一个有前途的解决方案.