面向高带宽脑机接口的基于稀疏样本的脉冲波形分类的元融合架构
信号处理
2025-09-08 v2
摘要
脑机接口 (BMI) 在不同应用中需要快速适应脉冲排序算法。实时学习和适应排序过程的功能可显著提升性能。然而，深度神经网络 (DNN) 依赖大量数据进行训练，数据有限时性能会下降。受元学习启发，本文提出一种稀疏样本脉冲排序 (FS-SS) 框架，可变网络模型规模，仅需最小学习训练和监督。该框架兼容稀疏样本适应，采用注意力机制和膨胀卷积神经网络，能够扩展网络参数以学习脉冲信号的关键特征，并在少量观察后快速泛化到新脉冲波形。我们使用公开数据集评估了 FS-SS 方法，并与其他最新算法比较。方法的平均分类准确率达 99.28%，显示出对背景噪声和脉冲波形相似性的强鲁棒性。当训练样本减少 90% 时，参数规模降低 68.2%，而准确率仅下降 0.55%。本文还可视化了在不同难度水平下的注意力分布，结果表明该模型具有清晰的可解释性和高鲁棒性。
引用
@article{arxiv.2503.18040,
title = {A Meta-Fusion Architecture for Few-Shot Classification of Spike Waveforms in High-Bandwidth Brain-Machine Interfacing},
author = {Tao Fang and Majid Zamani},
journal= {arXiv preprint arXiv:2503.18040},
year = {2025}
}
备注
14 pages