用于脑机接口中 EEG 运动想象解码的模型无关元学习
信号处理
2021-03-17 v1 机器学习
摘要
我们在此引入元学习用于训练 EEG BCI 解码器的思想。元学习是一种训练机器学习系统使其学会学习的方式。我们在此将元学习应用于一个简单的深度学习 BCI 架构，并与同一架构上的迁移学习进行比较。我们的元学习策略通过为 BCI 解码器寻找最优参数来运作，使其能在不同用户与记录会话间快速泛化——从而也能快速泛化到新用户或新会话。我们在 Physionet EEG 运动想象数据集上测试了我们的算法。我们的方法将运动想象分类准确率提升了 60% 到 80%，在小数据条件下优于其他算法。我们相信，确立元学习或学会学习方法将有助于神经工程与人机接口应对快速建立神经信号解码器的挑战，使其更适用于日常生活。
引用
@article{arxiv.2103.08664,
title = {Model-Agnostic Meta-Learning for EEG Motor Imagery Decoding in Brain-Computer-Interfacing},
author = {Denghao Li and Pablo Ortega and Xiaoxi Wei and Aldo Faisal},
journal= {arXiv preprint arXiv:2103.08664},
year = {2021}
}