具有动态权重分配的多分支域对抗神经网络,用于多源EEG分类
Yunyuan Gao1, Yuetao Ma1, Yici Liu2
1College of Automation, Hangzhou Dianzi University, Hangzhou, 310018 Zhejiang China.
Cognitive neurodynamics
|March 2, 2026
概括
一个新的多分支域对抗神经网络与多尺度通道注意力 (MBCA-DANN) 有效地处理脑电图 (EEG) 数据转移. 这种方法显著提高了跨主题EEG分类的准确性和稳定性.
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:
- 电脑电图 (EEG) 数据由于非静止性和主体间的分布转移而带来了重大挑战.
- 基于深域适应网络 (DANN) 的传统方法在特征表示和多源域适应方面扎.
- 现有的方法缺乏针对跨主题EEG分类的可靠解决方案,这限制了它们在现实世界中的适用性.
研究的目的:
- 为EEG分析提出一个先进的多分支域对抗神经网络,具有多尺度通道注意力 (MBCA-DANN).
- 增强特征表示,提高EEG分类中的多源域适应能力.
- 为了解决处理EEG数据中的非静态性和分布变化的当前方法的局限性.
主要方法:
- 开发了一种多尺度通道注意模块 (MSCA),以丰富特征表示,并适应性地调整特征通道权重.
- 构建了一个多分支架构,结合了辅助的最大平均差异 (MMD),域区分器和域匹配的标签区分器.
- 实施了多源域适应方法,具有动态权重分配,以提高分类性能和稳定性.
主要成果:
- 在MII和MIII数据集上单个源域转移中分别实现了71.89%和71.82%的分类准确性.
- 提高了MII和MIII数据集的多源域转移分类准确度,达到79.83%和82.87%.
- 在疲劳检测数据集上获得了98.69%的分类准确性,超过了现有的最先进的算法.
结论:
- 该MBCA-DANN模型显示出优越的泛化能力,用于多源跨主题EEG分类.
- 提出的方法为克服非静止和移动EEG数据分布的挑战提供了有效的解决方案.
- 与传统的基于DANN的方法相比,MBCA-DANN显著提高了分类性能和稳定性.
