面向连续在线 EEG 运动意象解码的微调策略：来自大规模纵向研究的启示
机器学习
2025-02-12 v1 人工智能
摘要
本研究探讨了针对深度学习在包含大量用户组及多个受试者会话的因果环境中进行连续在线电脑脑接口（EEG）运动意象（MI）解码的微调策略。我们是首次在大规模用户组中探索此类策略，因为纵向适应通常仅在单一受试者设置中进行，仅使用一种适应策略，这限制了能够概括发现的能力。首先，我们检验了不同微调方法对解码器性能和稳定性的影响。基于此，我们将在线测试时适应（OTTA）集成到适应过程中，以补充先前微调的效果。我们的发现表明，依据先前的受试者特定信息进行递进式微调可同时提高性能和稳定性，而 OTTA 有效地适应连续会话中数据分布的演变，实现无校准运行。这些结果为未来在纵向在线 MI 解码的研究提供了宝贵的见解和建议，并凸显了在实际应用中结合领域适应策略以提高 BCI 性能的重要性。临床相关性：我们的研究使长期运动意象解码更加稳定和高效，这对神经康复和辅助技术至关重要。
引用
@article{arxiv.2502.06828,
title = {Fine-Tuning Strategies for Continual Online EEG Motor Imagery Decoding: Insights from a Large-Scale Longitudinal Study},
author = {Martin Wimpff and Bruno Aristimunha and Sylvain Chevallier and Bin Yang},
journal= {arXiv preprint arXiv:2502.06828},
year = {2025}
}