稳定的脑机接口对抗领域适应
该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法,此方法更加稳健,并且不需要对测试领域进行任何注释,该系统在对两种头部 CT 数据进行测试时,得到的分割精度非常接近于有监督领域自适应的上限。
Dec, 2016
我们提出了一种基于动态领域自适应的深度学习网络 (DADL-Net),通过 3D 卷积模块将脑电数据映射到三维几何空间,并学习其时空特征,利用空间通道注意机制加强特征,最终通过卷积模块进一步学习特征的时空信息。通过引入最大均值差异损失函数,以及对目标域数据的部分微调,解决了脑机接口中相邻通道的相关性表示和个体差异的问题,在 BCI 竞赛 IV 2a 和 OpenBMI 数据集上验证了该方法的性能,分别达到 70.42% 和 73.91% 的准确率。
Sep, 2023
大脑疾病的精确诊断依赖于先进的医学成像技术,然而缺乏标注数据对于机器学习模型的部署造成了挑战。这项研究采用了深度学习和领域适应技术,结合了最大均值差异方法和卷积神经网络,改善了医学图像模态间的泛化能力,并通过提高诊断准确性和效率,为临床医生提供了更可靠的诊断工具。
May, 2024
本研究提出了一种基于深度神经网络的领域自适应方法,用于实现没有源数据的 SSVEP 脑机接口拼写器,该方法显著提高了信息传输速率并优于现有技术。
May, 2023
通过对多模式移动传感数据进行无监督域自适应的多分支对抗训练,我们的方法在未知领域上表现出色,相较于在源领域训练的模型,分类任务的 AUC(特征曲线下面积)提高了 12%,回归任务的 MAE(平均绝对误差)提高了 0.13。
Apr, 2024
本研究聚焦于情感表达的情感识别,旨在基于脑电信号在无主体环境下进行。我们提出了一种新颖的框架,基于元学习的增强型领域自适应方法,通过情感无关的脑机接口,使用迁移学习和元学习的方法来有效解决领域的分布偏移问题,并实验表明该方法可以与最先进的领域自适应方法达到相似的性能水平,同时避免了对额外计算资源的需求。
Oct, 2023
提出了一种用于跨会话 MI 分类的全新的深度域自适应 (SDDA) 框架,并应用于既有的人工神经网络中,以提高模型的泛化能力与分类准确率。通过两项 MI-EEG 公共数据集上的实验证明,所提出的 SDDA 框架能够显著提高 EEGNet 和 ConvNet 的 MI 分类准确率,在文献中优于现有的其他方法。
Feb, 2022
本研究介绍了对抗神经网络在大脑 - 计算机界面(BCI)传递学习中作为表征学习的新方法。该方法旨在通过同时训练条件变分自动编码器(cVAE)和对抗网络来学习主体不变的表示,我们使用浅卷积结构实现 cVAE,并将学习的编码器转移到未见 BCI 用户的数据中。我们通过电子脑电图(EEG)数据对该方法进行了概念验证,其中记录了运动想象 BCI 实验时的数据。
Dec, 2018