卷积网络的跨范式预训练改善颅内EEG解码
神经元与认知
2018-07-23 v2 人机交互
摘要
在脑信号的实际应用分类中，训练数据与预测数据常由不同分布描述。此外，不同的数据集（例如来自不同受试者或任务记录）甚至可能呈现不同的特征空间。由于待分类数据往往仅少量可用，这强化了对泛化所学信息技术的需求，因为脑机接口（BCIs）的性能随可用数据量增加而提升。本文中，我们将迁移学习应用于基于深度卷积神经网络（deep ConvNets）的框架，以证明错误相关脑信号中所学模式在不同任务间的可迁移性。本文所述实验展示了迁移学习的效用，尤其在仅能使用少量数据区分任务错误与正确执行时提升性能。该效应可与单纯一般脑信号特征的迁移相区分，凸显了错误特异性信息的迁移。此外，我们在相同通道的时频分析中可提取相似模式，导致两种不同范式间出现选择性的高信号相关性。在颅内数据上的分类取得中位数准确率高达。仅用数据且无预训练的解码性能为，而经预训练则为。
引用
@article{arxiv.1806.09532,
title = {Cross-paradigm pretraining of convolutional networks improves intracranial EEG decoding},
author = {Joos Behncke and Robin Tibor Schirrmeister and Martin Völker and Jiří Hammer and Petr Marusič and Andreas Schulze-Bonhage and Wolfram Burgard and Tonio Ball},
journal= {arXiv preprint arXiv:1806.09532},
year = {2018}
}