利用迁移学习和用户特定更新实现 BCI 解码器的快速训练
定量方法
2025-06-18 v1
摘要
主观或会话特定的数据获取和校准仍是将电脑脑接口 (BCI) 部署到实验室之外的关键障碍。先前的工作表明，EEG 中存在跨主观、跨会话不变特征。我们提出一种基于两层卷积神经网络 (CNN) 的迁移学习管道，利用这些不变特征来减少数据获取和校准的负担。基线模型在来自五名健康受试者的 EEG 数据上进行训练，然后用来自第六名受试者的少量数据快速更新。剩余的留出数据用于测试基线模型和更新后模型的性能。我们通过留出单受试者验证框架 (LOSO) 重复了此程序。在六个 LOSO 折叠的平均结果显示，更新后的模型在两个二分分类和一个三分类任务上的分类准确率分别比基线模型提高了 10.0、18.8 和 22.1 个百分点。这些结果表明，仅用最少的受试者特定数据即可显著提高解码准确率。也表明 CNN 基解码器可以快速被个性化，从而实现神经康复和其他时间关键型 EEG 应用的近即插即用 BCI 功能。
引用
@article{arxiv.2506.14120,
title = {Leveraging Transfer Learning and User-Specific Updates for Rapid Training of BCI Decoders},
author = {Ziheng Chen and Po T. Wang and Mina Ibrahim and Shivali Baveja and Rong Mu and An H. Do and Zoran Nenadic},
journal= {arXiv preprint arXiv:2506.14120},
year = {2025}
}
备注
6 page conference proceeding preprint