通过生成桥接领域来减轻跨受试者运动想象分类中电极间的时间差异

Apr, 2024

通过生成桥接领域来减轻跨受试者运动想象分类中电极间的时间差异

BDAN: Mitigating Temporal Difference Across Electrodes in Cross-Subject Motor Imagery Classification via Generative Bridging Domain

PDF

Zhige Chen, Rui Yang, Mengjie Huang, Chengxuan Qin, Zidong Wang

TL;DR提出了一种基于跨主体运动想象的时间 - 电极数据分布问题的桥接域适应网络 (BDAN)，通过特殊设计的空间特征提取器提取所有脑电图数据的深层特征，建立起桥接领域，最小化跨会话和电极的差异，并自动传递已知知识，通过对公共脑电图数据集进行比较实验和消融研究，证明了 BDAN 相比其他先进的深度学习和域适应方法的出色性能。

Abstract

Because of "the non-repeatability of the experiment settings and conditions" and "the variability of brain patterns among subjects", the data distributions across sessions and electrodes are different in cross-subject motor imagery (MI) studies, eventually reducing the performance of t

cross-subject motor imagery temporal-electrode data distribution bridging domain adaptation network eeg data deep learning

发现论文，激发创造

基于动态领域适应的深度学习网络用于基于脑电信号的动作意象分类

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

使用通用深度域适应框架预热跨会话运动想象分类

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

基于知识蒸馏的轻量级领域对抗神经网络用于基于 EEG 的跨受试者情绪识别

本研究提出基于知识蒸馏的轻量级 DANN 模型，引入教师模型来学习 EEG 的复杂时空动态和空间相关性，指导学生模型学习更难以区分的域不变特征，结合轻量级时空特征交互模块，达到跨主体情感识别的优异性能。

May, 2023

物理相容和无监督的黎曼领域适应，用于异构脑电数据的机器学习

应用电脑脑电波信号物理学的方法，通过字段插值将脑电通道映射到固定位置，实现源域适应，提高了脑机接口和潜在生物标志应用的分类性能。

Mar, 2024

基于转移学习图神经网络的异构电极配置数据集的 EEG 信号解码

通过使用图神经网络和转移学习技术，可以有效地从多个使用不同电极布局的 EEG 数据集中聚合知识，从而在主体独立的 MI EEG 分类中实现更好的泛化。

Jun, 2023

基于流形的动态分布方法改进的跨主体和跨会话基于脑电情感识别的非深度迁移学习

提出一种名为 Manifold-based Domain adaptation with Dynamic Distribution（MDDD）的新型非深度转移学习方法，通过优化 Grassmann 流形空间，动态对齐源域和目标域，结合分类器学习和集成学习模块提高情感解码的应用效果和实用性。

Apr, 2024

面向主体不可知的情感识别

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

稳定的脑机接口对抗领域适应

介绍了一种新的计算方法，可以从神经数据的低维潜在表示中解码运动意图，并实施各种域自适应方法来稳定配合方式。使用 Adversarial Domain Adaptation 网络训练，此方法在解决域适应问题方面表现出众，而且只需要极少的数据点。

Sep, 2018

利用地球移动距离量化脑机接口中的空间域解释

利用可解释 AI 技术，在空间领域生成特征相关性，以识别模型结果的重要通道，从而提高脑机接口的可靠性和稳健性。

May, 2024

基于集成课程学习和协同训练的运动想象解码

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