超学习增强多源域适应零校准电机图像EEG解码
Minmin Miao1, Wenliang Fu1, Hong Zeng2
1School of Information Engineering, Huzhou University, Huzhou 313000, China.
Journal of neuroscience methods
|March 13, 2026
概括
这项研究引入了一种新的框架,用于无校准的运动图像大脑计算机接口 (MI-BCI) 解码. 超学习增强多源域适应 (MLEMSDA) 方法提高了中风神经康复应用的准确性.
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:
- 基于运动图像 (MI) 的脑计算机接口 (BCI) 显示了中风神经康复的潜力.
- 目前的MI-BCI系统面临的挑战是:主体间的变化,有限的训练数据和漫长的校准周期.
研究的目的:
- 开发一个新的框架,用于无校准MI-EEG解码.
- 解决现有的MI-BCI系统的局限性,包括学科间的变性和需要广泛的培训数据.
主要方法:
- 提出了一个Meta-Learning增强多源域适应 (MLEMSDA) 框架,统一跨任务,跨数据集和跨主题域适应.
- 基于梯度的元学习被用于无校准解码,利用对公共数据集的预训练和对目标数据集的元学习微调.
- 该框架在未见的受试者身上进行了测试,使用一个"留下一个"交叉验证方法.
主要成果:
- 在多个MI-EEG数据集上,MLEMSDA框架实现了高分类准确度:77.87% (在CBCIC上的DeepConvNet),75.54% (在自己的数据集上的EEGNet) 和72.72% (在BCI竞争IV数据集2b上的ShallowConvNet).
- 与竞争方法相比,拟议的方法在零校准场景中显示出更高的分类准确性.
- 验证是在公开和收集的MI-EEG数据集上进行的,包括中风患者.
结论:
- 在MLEMSDA框架有效地实现了无校准MI-EEG解码.
- 该方法显示出强大的通用性和有效性,为在神经康复中更实用的MI-BCI应用铺平了道路.
