ISAM-MTL：基于可识别尖峰和关联记忆网络的跨主体多任务学习模型
神经与进化计算
2025-01-31 v1 机器学习
神经元与认知
摘要
跨主体 EEG 可变性会降低当前深度学习模型的性能，限制了脑机接口（BCI）的发展。本文提出了 ISAM-MTL，这是一个基于可识别尖峰（Identifiable Spiking）表示和关联记忆（Associative Memory）网络的多任务学习（MTL）EEG 分类模型。该模型将每个主体的 EEG 分类视为独立任务，利用跨主体数据训练来促进跨主体特征共享。ISAM-MTL 由一个捕获跨主体共享特征的尖峰特征提取器，以及一个通过 Hebbian 学习训练的主体特定双向关联记忆网络组成，用于高效快速的类内 EEG 分类。ISAM-MTL 将学习到的尖峰神经表征与双向关联记忆相结合，用于跨主体 EEG 分类。该模型采用标签引导的变分推断以构建可识别尖峰表征，提高分类准确率。在两个 BCI 竞赛数据集上的实验结果表明，ISAM-MTL 在跨主体 EEG 分类中提高了平均准确率，同时降低了主体间性能波动。该模型还表现出少样本学习和 EEG 下可识别神经活动的特征，使 BCI 系统实现快速且可解释的校准。
引用
@article{arxiv.2501.18089,
title = {ISAM-MTL: Cross-subject multi-task learning model with identifiable spikes and associative memory networks},
author = {Junyan Li and Bin Hu and Zhi-Hong Guan},
journal= {arXiv preprint arXiv:2501.18089},
year = {2025}
}