融合任务相关与任务判别成分分析的交叉受试者双域融合网络增强单次 SSVEP 分类
人机交互
2023-11-15 v1
摘要
本研究致力于解决在标定数据极度匮乏（每个刺激目标仅有一份标定）场景下，开发用于分类稳态视觉诱发电位（SSVEPs）的高效解码算法这一重大挑战。为此，我们引入一种新颖的融合任务相关与任务判别成分分析（TRCA 与 TDCA）的交叉受试者双域融合网络（CSDuDoFN），用于单次 SSVEP 分类。CSDuDoFN 框架旨在全面迁移源受试者的信息，同时利用 TRCA 与 TDCA 挖掘目标受试者唯一的可用标定。具体而言，我们提出多参考最小二乘变换（MLST）将源受试者与目标受试者数据映射至正弦-余弦模板域，从而缓解个体间差异并有益于迁移学习。随后，正弦-余弦模板域的变换数据与原始域数据分别用于训练卷积神经网络（CNN）模型，其特征图在网络不同层充分融合。为进一步利用目标受试者标定，将源混叠矩阵估计（SAME）数据增强纳入集成 TRCA（eTRCA）与 TDCA 模型的训练过程。最终，CSDuDoFN、eTRCA 与 TDCA 的输出被组合用于 SSVEP 分类。我们所提方法在三个公开 SSVEP 数据集上被全面评估，于两个数据集取得最优性能，于一个数据集取得具竞争力的性能。这凸显了脑机接口（BCI）融入日常生活的潜力。
引用
@article{arxiv.2311.07932,
title = {Cross-subject dual-domain fusion network with task-related and task-discriminant component analysis enhancing one-shot SSVEP classification},
author = {Yang Deng and Zhiwei Ji and Yijun Wang and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2311.07932},
year = {2023}
}
备注
10 pages,6 figures, and 3 tables