一种用于自发脑机接口任务相关信号选择与分类的新型强化学习辅助深度学习框架
信号处理
2020-07-02 v1 人工智能
机器学习
摘要
在这项工作中，我们将从单次 EEG 试次中估计并选择任务相关的时间信号段的问题表述为一个马尔可夫决策过程，并提出了一种可与现有基于深度学习的 BCI 方法相结合的新型强化学习机制。具体而言，我们设计了一个 actor-critic 网络，使得智能体能够确定在给定试次中组合意图相关特征时哪些时间点是需要使用的（有信息的）或应被丢弃的（无信息的），从而提升意图识别性能。为验证我们所提方法的有效性，我们使用一个公开的大规模 MI 数据集进行了实验，并将我们的新机制应用于多种近期为 MI 分类设计的深度学习架构。基于详尽的实验，我们观察到所提方法在性能上取得了统计显著的提升。
引用
@article{arxiv.2007.00162,
title = {A Novel RL-assisted Deep Learning Framework for Task-informative Signals Selection and Classification for Spontaneous BCIs},
author = {Wonjun Ko and Eunjin Jeon and Heung-Il Suk},
journal= {arXiv preprint arXiv:2007.00162},
year = {2020}
}
备注
8 pages, 6 figures, 2 tables, and under review