利用保持相似性知识蒸馏增强基于低密度 EEG 的脑机接口
机器学习
2022-12-08 v1 信号处理
神经元与认知
摘要
脑电图（EEG）因其非侵入性、低成本和高时间分辨率，已成为现实世界脑机接口（BCIs）的常见神经监测方式之一。近来，基于低密度电极排布的小型便携 EEG 穿戴设备提升了 BCI 应用的便利性与可用性。然而，由于低密度 EEG 电极排布减少了电极数量与头皮区域覆盖，EEG 解码性能的损失往往不可避免。为解决此问题，我们引入知识蒸馏（KD）——一种为在神经网络模型间迁移知识/信息而发展的学习机制——以增强低密度 EEG 解码性能。我们的框架包含一种新提出的保持相似性（SK）师生 KD 方案，其鼓励低密度 EEG 学生模型习得如同在基于高密度 EEG 数据预训练的教师模型中的样本间相似性。实验结果验证，当输入 EEG 数据的电极数量减少时，我们的 SK-KD 框架持续提升运动想象 EEG 解码准确率。对于常见的低密度头戴式与头带式电极排布，我们的方法在各种 EEG 解码模型架构上均优于最先进的 KD 方法。作为首个为增强 EEG 解码而开发的 KD 方案，我们预见所提出的 SK-KD 框架将促进基于低密度 EEG 的 BCI 在现实应用中的实用性。
引用
@article{arxiv.2212.03329,
title = {Enhancing Low-Density EEG-Based Brain-Computer Interfaces with Similarity-Keeping Knowledge Distillation},
author = {Xin-Yao Huang and Sung-Yu Chen and Chun-Shu Wei},
journal= {arXiv preprint arXiv:2212.03329},
year = {2022}
}