基于非参数估计的自发脑机接口样本优势感知框架
机器学习
2023-11-16 v2 人工智能
信号处理
摘要
深度学习在脑机接口（BCI）领域解码脑信号（如脑电图（EEG））方面已展现出潜力。然而，EEG信号的非平稳特性给训练神经网络获取恰当知识带来了挑战。由这些非平稳特性导致的不一致EEG信号会引起性能不佳。因此，研究和解决样本不一致问题对于确保自发BCI的鲁棒性能至关重要。在本研究中，我们引入样本优势的概念作为EEG信号不一致性的度量，并提出一种调节其对网络训练影响的方法。我们提出一种两阶段优势分数估计技术，以补偿由样本不一致引起的性能退化。我们提出的方法利用非参数估计推断样本不一致性，并为每个样本分配优势分数。该分数随后在训练中与损失函数聚合以调节样本不一致性的影响。此外，我们设计了一种课程学习方法，在训练中逐步增加不一致信号的影响以提升整体性能。我们使用公开的自发BCI数据集评估所提方法。实验结果证实，我们的发现凸显了在自发BCI中实现鲁棒性能时解决样本优势问题的重要性。
引用
@article{arxiv.2311.07079,
title = {Sample Dominance Aware Framework via Non-Parametric Estimation for Spontaneous Brain-Computer Interface},
author = {Byeong-Hoo Lee and Byoung-Hee Kwon and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2311.07079},
year = {2023}
}
备注
5 pages, 2 figures