使用深度学习进行运动想象数据集之间的迁移学习 -- 框架验证和数据集对比
该研究使用深度迁移学习开发了一种无需校准、面向不同个体的 MI-BCI 分类器,通过对原始 EEG 信号采用端到端的深度学习方法进行处理,并使用开放数据集进行训练和比较了三种深度学习模型,结果显示不同模型的性能有显著差异。
Jul, 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
在脑机接口的背景下,我们提出了一种自适应方法,能够在线上使用而不需要监督,并能够达到离线性能水平。有趣的是,我们的方法不需要对模型进行重新训练,而是使用一个冻结的高效深度学习主干网络,同时根据流式观测数据在输入和潜在空间持续对齐数据。我们证明了该方法在电脑脑电编码的运动想象方面的效率,考虑了具有挑战性的跨被试对象的情况。为了可重现性,我们分享了实验的代码。
Mar, 2024
通过基于肌肉想象的脑机接口数据集,我们观察到运动相关皮质电位的标定和控制任务之间存在较大差异,并且展示了一个基于标定数据训练的 CSP 机器学习模型,对脑机接口控制的驾驶数据进行了出人意料的准确预测。
Mar, 2024
本研究提出了一种用于电极脑电图(EEG)数据的跨受试研究的两阶段模型合奏架构,该架构由多个特征提取器(第一阶段)和共享分类器(第二阶段)构建,并在两个损失项中端到端训练,证明了我们的方法实现了目标并在两个大型 MI 数据集中优于所有方法,同时使用了更少的可训练参数,解决了多受试 EEG 数据集中的领域漂移问题,为无标定 BCI 系统铺平了道路。
Nov, 2022
本研究评估比较不同的训练神经网络技术,提出为小型数据集提高模型准确度的方法,并发现迁移学习对于重复利用以前学习的特征有重要作用,特别是在医学图像应用中。
Dec, 2019
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
本文利用经过训练的 T1 类卷积神经网络模型,通过预处理的脑电数据,探究其成功识别运动想象能力。使用小样本数据验证实时数据分类准确性。
May, 2022
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