May, 2024

基于静息状态脑电信号的跨主体脑电运动想象分类的主体自适应迁移学习

PDF
TL;DR利用静息状态脑电信号来自适应地迁移学习以模拟处理目标用户任务特定的脑电信号，实现了跨个体脑电信号分类的最新准确度，突显了前沿脑机接口系统的潜力。
electroencephalographymotor imageryeeg signalstransfer learningbrain-computer interface
发现论文，激发创造
  • 基于脑电心智模拟的独立主体深度架构 EEG 分类

    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

  • 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

  • 基于 Inter-subject Contrastive Learning 的面向主体自适应的基于 EEG 的视觉认知

    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

  • 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

  • 端到端深度迁移学习用于无校准运动想象脑机接口

    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

  • 基于关注力的脑电运动想象分类任务中的小样本关系学习

    通过深度学习的 FEW-SHOT 架构，提高结合关系得分分类 MI EEG 信号的准确度。

    Mar, 2020

  • 避免训练过程的机器人辅助康复中基于脑电图分类器的跨任务迁移

    该研究探讨了通过脑电图记录未受影响手臂的活动，以学习个体化机器学习模型来支持患者康复，结果表明预测运动的分类器在选定的受双边运动意图诱发的脑电图通道上训练时与全面训练脑电图数据的分类器在单边运动意图上的表现差异不显著。这一方法可在实际治疗中使用，与几个脑电图通道的数据训练有效，对于中风患者的进一步研究具有潜力。

    Feb, 2024

  • 基于脑电信号的运动想象分类的特征重新加权

    使用非侵入性脑电信号进行运动想象分类是一项重要的目标，近期的研究表明基于卷积神经网络的方法在运动想象 - 脑电分类中得到广泛应用，文章提出了一种新的特征重新加权方法，有效降低了无关信息的影响并在实验中取得了显著的分类性能提升。

    Jul, 2023

  • 从校准到控制：观察脑机接口模型中的脑电特征转移

    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

  • 深度特征学习 EEG 信号：通过启用脑电文本输入实现思维转文字

    提出了一种基于深度神经网络的 MI-EEG 分类方法，采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征，消除多种伪迹。实验证明，该方法在 MI-EEG 数据集上的分类精度达到了 95.53％，并应用于具体的 BCI 系统中，实现了打字操作。

    Sep, 2017