利用合成受试者不变 EEG 信号实现零校准脑机接口
信号处理
2020-10-26 v2 图像与视频处理
摘要
近年来，利用现代机器学习技术解码和解释脑信号，脑机接口（BCI）领域取得了实质性进展。尽管脑电图（EEG）提供了一种非侵入式的人脑接口方法，但所获取的数据往往高度依赖于受试者和实验场次。这使得此类数据难以无缝融入实际应用，因为受试者和场次数据的方差会导致漫长而繁琐的校准需求以及跨受试者泛化问题。聚焦于稳态视觉诱发电位（SSVEP）分类系统，我们提出了一种生成高度逼真的、对任一受试者、场次或其他环境条件均不变的合成 EEG 数据的新方法。我们的方法称为受试者不变 SSVEP 生成对抗网络（SIS-GAN），使用单一网络从多个 SSVEP 类别生成合成 EEG 数据。此外，通过利用固定权重的预训练受试者分类网络，我们确保生成模型对受试者特定特征保持不可知，从而产生可应用于新的、先前未见受试者的受试者不变数据。我们广泛的实验评估证明了合成数据的有效性，在使用我们的受试者不变合成 EEG 信号训练时，零校准分类任务的性能更优，提升高达 16 个百分点。
引用
@article{arxiv.2007.11544,
title = {Leveraging Synthetic Subject Invariant EEG Signals for Zero Calibration BCI},
author = {Nik Khadijah Nik Aznan and Amir Atapour-Abarghouei and Stephen Bonner and Jason D. Connolly and Toby P. Breckon},
journal= {arXiv preprint arXiv:2007.11544},
year = {2020}
}
备注
Accepted as a full paper at the 25th International Conference on Pattern Recognition (ICPR2020)