利用跨主题传输学习和信号增强来实现从EEG数据中增强RGB颜色解码
Metin Kerem Öztürk1, Dilek Göksel Duru2
1Department of Computer Science, Faculty of Engineering, Turkish-German University, Istanbul 34820, Türkiye.
Brain sciences
|February 27, 2026
概括
转移学习和信号增强显著改善了从脑电图 (EEG) 信号中RGB颜色的解码,达到83.5%的准确性. 这通过克服数据限制来增强脑计算机接口 (BCI) 应用程序.
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:
- 从脑电图 (EEG) 中解读RGB颜色的神经模式对于视觉脑电脑接口 (BCI) 至关重要.
- 主体间的变化和有限的数据在EEG解码中带来了重大挑战.
- 现有的方法在数据稀疏性和个体差异方面扎.
研究的目的:
- 研究转移学习和信号增强的有效性,以改善EEG信号的RGB颜色解码.
- 为了应对跨学科变异性和有限的数据可用性所带来的挑战.
- 为基于EEG的BCI应用增强深度学习模型的性能.
主要方法:
- 员工转移学习以进行跨学科信息传输,对不同学科的预培训模型和对目标学科的微调.
- 利用信号增强技术,包括频率切片重组和高斯噪声添加,以增加数据多样性.
- 应用深度学习模型,如DeepConvNet (DCN) 和具有注意力机制的适应时间卷积网络 (ATCNet).
主要成果:
- 在EEG数据集上的所有受试者中实现了83.5%的分类准确性.
- 与基线方法相比,解码性能显著改善.
- 展示了综合转移学习和信号增强方法的有效性.
结论:
- 转移学习和信号增强有效地减轻了EEG解码中的数据稀疏性和主体间变异性.
- 拟议的方法表明,它对推进基于EEG的分类和BCI应用具有有希望的意义.
- 改进的准确性和减少的可变性突出了更强大和个性化的BCI的潜力.
