跨被试迁移学习提升脑机接口实际应用的实用性
神经元与认知
2021-02-11 v4 人机交互
机器学习
信号处理
摘要
基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）在促进高效通信方面已展现出其稳健性。最先进的基于训练的SSVEP解码方法，如扩展典型相关分析（CCA）和任务相关成分分析（TRCA），是通过校准过程提升SSVEP-BCI效率的主要方法。然而，由于个体间及个体内随时间存在显著的人体差异性，校准（训练）数据收集不可忽视且往往费力耗时，损害了SSVEP-BCI在真实场景中的实用性。本研究旨在开发一种跨被试迁移方法，通过新提出的最小二乘变换（LST）方法，减少对测试用户训练数据收集的需求。研究结果表明，LST能够减少40类SSVEP-BCI所需的训练模板数量。LST方法可能催生众多使用近零训练/即插即用高速SSVEP-BCI的真实应用场景。
引用
@article{arxiv.1810.02842,
title = {Cross-Subject Transfer Learning Improves the Practicality of Real-World Applications of Brain-Computer Interfaces},
author = {Kuan-Jung Chiang and Chun-Shu Wei and Masaki Nakanishi and Tzyy-Ping Jung},
journal= {arXiv preprint arXiv:1810.02842},
year = {2021}
}
备注
4 pages, 3 figures, 1 table. For NER'19