具备开放式受试者识别的非特定主题脑机接口
脑机接口(BCIs)提供了从大脑到外部设备的直接路径,具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号,提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验,证明了所提出的联合学习过程在学习效率和效果上的优势。
Aug, 2023
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
本文介绍一种基于深度学习的脑机接口技术,通过使用多组数据进行训练,实现了一定的性能,同时通过迁移学习,使得该技术能够用于不同用户,从而解决了目前脑机接口技术中需要耗费大量数据搜集的问题,该技术有望提高脑机接口技术的临床应用性和可行性。
Jan, 2023
采用先前任务学习得到的先验知识,我们提出了一种串联的前两名 Thompson 抽样算法 (Sequential Top-two Thompson Sampling, STTS),将广义多臂老虎机中的最佳臂序列问题视为一系列任务。这种算法取得了实质性的实验性改进。
May, 2023
文章使用一种新方法,通过提高来自不同参与者但属于相同类的特征的相似性,从而实现学习主体无关的表示,进而在训练中仅使用少数样本即可准确预测基于 EEG 信号的视觉刺激类别。在有限数据情况下,即使采用了严格的问题设置,该方法在 EEG-ImageNet40 基准上实现了令人满意的表现,即面向目标主体每类只使用 5 个 EEG 样本时:72.6% / 91.6%的 top-1 /top-3 测试精度。
Feb, 2022
提出了一个简单的自适应集成分类系统来处理 SSVEP-BCI-AR 应用中的个体间变异性,并评估了在带有头部旋转的应用中我们的集成算法的性能。在多个受试者上进行的测试在 PC 上达到了平均 80% 的准确率,并且在 HoloLens AR 耳机上达到了 77% 的准确率,均超过了前期研究中采用个体分类器和头部运动的结果。此外,我们的视觉刺激时间相对较短,为 5 秒,并表明我们的集成分类方法在 SSVEP-BCI 中表现优于个体分类器。
Aug, 2023
本文提出一种半监督元学习方法 (SSML) 来进行脑 - 计算机界面 (BCI) 的主体转移学习和校准。该方法能很好的解决现有模型在新主体上表现不佳的问题,并在三种不同的 BCI 范式测试中实现了显著的性能提升。
Sep, 2022
本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术,建立起一个单一的预训练模型,用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录,从而取得较好的脑机接口和脑电分类性能。
Jan, 2021
提出了一种新颖的主体无关的半监督深度架构(SSDA),它包括两个部分:无监督部分(CST-AE)从训练样本中提取潜在特征,并降低表示的维度,保证其可辨识性;监督部分利用无监督部分获取的特征,学习基于标记训练样本的分类器,并通过中心损失减小类中每个点到其中心的嵌入空间距离。SSDA 在测试阶段表现出优越性能,仅使用少量标记训练样本即可获得强大的分类性能。
Jan, 2024