基于深度迁移学习的非侵入式脑电图错误解码
机器学习
2018-01-11 v3 人机交互
神经元与认知
摘要
我们记录了高密度脑电图在侧翼任务实验（31名受试者）和在线脑机接口控制范式（4名受试者）中的数据。在这些数据集上，我们评估了使用深度卷积神经网络进行迁移学习用于错误解码。与正则化线性判别分析分类器相比，卷积神经网络在受试者内和受试者间解码中均显著更好，在受试者内平均准确率达到84.1%，在未知受试者上达到81.7%（侧翼任务）。然而，两种方法均无法在范式间可靠地泛化。对卷积神经网络从数据中学习到的特征的可视化显示了合理的脑活动模式，揭示了不同类型错误之间的相似性和差异性。我们的发现表明，深度学习技术对于推断脑机接口应用中动作的正确性是有用的，特别是将预训练分类器迁移到新的记录会话或受试者。
引用
@article{arxiv.1710.09139,
title = {Deep Transfer Learning for Error Decoding from Non-Invasive EEG},
author = {Martin Völker and Robin T. Schirrmeister and Lukas D. J. Fiederer and Wolfram Burgard and Tonio Ball},
journal= {arXiv preprint arXiv:1710.09139},
year = {2018}
}
备注
6 pages, 9 figures, The 6th International Winter Conference on Brain-Computer Interface 2018