基于Ensemble of Weight-Decomposed Low-Rank Adapters的EEG基于精神想象任务的适应
信号处理
2024-12-25 v1 机器学习
摘要
电子脑神经信号（EEG）因其非侵入、便携且经济等特点，广泛用于脑机接口（BCI）中的神经解码。然而，EEG信号受到人类间和人体内变异性的影响，导致表现不佳。近期技术进步推动深度学习（DL）模型在诸多领域取得高性能，但此类大型模型计算和资源密集，成为实时神经解码的瓶颈。数据分布迁移可通过迁移学习的域适应技术（细调和对抗训练）处理，这些技术需要根据目标域更新模型参数。一种最近的技术是参数高效微调（PEFT），其仅需少量可训练参数即可完成细调。因此，我们探索了PEFT方法用于适应EEG基于精神想象任务。我们考虑了两种精神想象任务：语音想象和运动想象，因为这两种任务在脑卒中后康复中至关重要。我们提出了一种 novel 的 weight-decomposed low-rank adaptation 方法的 ensemble，即 EDoRA，用于通过EEG信号分类实现参数高效的精神想象任务适应。通过两个公开数据集进行大量实验和分析，我们的方法在基于EEG的精神想象分类任务中优于完整细调和最先进的PEFT方法。
引用
@article{arxiv.2412.17818,
title = {EEG-Based Mental Imagery Task Adaptation via Ensemble of Weight-Decomposed Low-Rank Adapters},
author = {Taveena Lotey and Aman Verma and Partha Pratim Roy},
journal= {arXiv preprint arXiv:2412.17818},
year = {2024}
}