面向稀疏时空脑机接口的分解方法
人工智能
2022-06-20 v1 信号处理
摘要
近年来，先进技术在利用大量数据解决各类问题方面展现出无限潜力。然而，这些技术在处理脑信号的脑机接口（BCIs）中尚未表现出具有竞争力的性能。基本上，脑信号难以大量采集，尤其在自发式 BCIs 中信息量往往是稀疏的。此外，我们推测任务间较高的空间与时间相似性会增加预测难度。我们将此问题定义为稀疏条件。为此，引入一种分解方法，使模型能够从潜空间中获取不同的表示。具体而言，我们提出两个特征提取器：类公共模块通过对抗学习训练，充当生成器；类特定模块利用分类产生的损失函数，从而以传统方法提取特征。为使类公共与类特定特征共享的潜空间最小化，模型在正交约束下训练。最终，EEG 信号被分解为两个独立的潜空间。我们在单臂运动想象数据集上进行了评估。结果表明，在稀疏条件下，对 EEG 信号进行分解可使模型提取丰富且具有决定性的特征。
引用
@article{arxiv.2206.08494,
title = {Factorization Approach for Sparse Spatio-Temporal Brain-Computer Interface},
author = {Byeong-Hoo Lee and Jeong-Hyun Cho and Byoung-Hee Kwon and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2206.08494},
year = {2022}
}
备注
8 pages