渐进关系网络：基于少样本 EEG 学习的直观上肢运动想象解码
神经与进化计算
2020-05-07 v1 信号处理
神经元与认知
摘要
脑机接口（BCI）是连接用户与外部设备的通信工具。在实时 BCI 环境中，每位用户和每次会话都特别需要校准过程。该过程消耗大量时间，阻碍了 BCI 系统在真实场景中的应用。为避免此问题，我们采用基于度量的少样本学习方法，利用渐进关系网络（GRN）解码直观上肢运动想象（MI），该网络可逐步考虑时间与频谱分组的组合。我们从 25 名受试者获取了与直观上肢运动相关的上臂、前臂和手部的 MI 数据。离线分析下的多类分类宏平均结果在 1-shot、5-shot 和 25-shot 设定下分别为 42.57%、55.60% 和 80.85%。此外，我们证明了在实时机械臂控制场景中利用少样本方法进行直观 MI 解码的可行性。五名参与者在饮水任务中取得了 78% 的成功率。因此，我们证明了通过聚焦于人体部位并以所提 GRN 为基础兼顾各类未训练直观 MI 解码，可实现校准时间缩短的在线机械臂控制。
引用
@article{arxiv.2005.02602,
title = {Gradual Relation Network: Decoding Intuitive Upper Extremity Movement Imaginations Based on Few-Shot EEG Learning},
author = {Kyung-Hwan Shim and Ji-Hoon Jeong and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2005.02602},
year = {2020}
}