静息状态EEG数据能否利用于运动想象解码的数据驱动方法？
信号处理
2024-11-18 v1 人机交互
机器学习
神经元与认知
摘要
静息状态EEG数据在神经科学研究中作为用户识别的可靠标记物，揭示个体特定特征。尽管如此，静息状态数据在EEG分类模型中的应用仍有限。本文提出一种特征拼接方法，通过整合静息状态EEG来增强解码模型的泛化性，以提高运动想象BCI性能并开发用户通用模型。通过特征拼接，我们将EEGNet——一种用于EEG信号分类的标准卷积神经网络——与从静息状态EEG数据中推导出的功能连接度度量相结合。研究结果表明，尽管该拼接方法以数据驱动学习为基础，但在用户内和跨用户情景中，对模型泛化的帮助有限。在两个数据集上，虽然观察到在用户内情景下的平均准确率有所提高，但与随机数据拼接相比，拼接在跨用户情景中并不带来好处。结果表明，进一步调查模型可解释性以及随机数据拼接对模型鲁棒性的影响是必要的。
引用
@article{arxiv.2411.09789,
title = {Can EEG resting state data benefit data-driven approaches for motor-imagery decoding?},
author = {Rishan Mehta and Param Rajpura and Yogesh Kumar Meena},
journal= {arXiv preprint arXiv:2411.09789},
year = {2024}
}