面向无校准运动想象脑机接口的端到端深度迁移学习
人机交互
2023-07-25 v1 人工智能
摘要
运动想象脑机接口（MI-BCI）的一个主要问题是其分类准确率低，且需要大量数据进行受试者特异性校准。这使得脑机接口在实验室外应用中对普通用户的可及性降低。本研究采用深度迁移学习来开发无校准、受试者无关的MI-BCI分类器。与早期在迁移学习中应用信号预处理和特征工程步骤的工作不同，本研究在原始EEG信号上采用端到端深度学习方法。使用公开可用数据集训练并比较了三种深度学习模型（MIN2Net、EEGNet和DeepConvNet）。该数据集包含55名受试者进行左手与右手运动想象任务的EEG信号。为评估各模型性能，采用了留一受试者交叉验证。各模型结果差异显著。MIN2Net无法区分新用户的右手与左手运动想象，中位准确率为51.7%。另两个模型表现较好，EEGNet中位准确率62.5%，DeepConvNet为59.2%。这些准确率未达到显著控制所需的70%阈值，但与这些模型在其他数据集上无迁移学习测试时的准确率相近。
引用
@article{arxiv.2307.12827,
title = {End-to-End Deep Transfer Learning for Calibration-free Motor Imagery Brain Computer Interfaces},
author = {Maryam Alimardani and Steven Kocken and Nikki Leeuwis},
journal= {arXiv preprint arXiv:2307.12827},
year = {2023}
}