用于运动想象与运动执行高效神经表征的稀疏多任务学习
机器学习
2023-12-12 v1 信号处理
摘要
在探索用于脑机接口 (BCI) 中神经数据解释和用户意图分类的高效神经网络模型时，学习底层神经子空间的有意义的稀疏表示至关重要。本研究受人类大脑中观察到的相关神经子空间自然划分的启发，引入了一个用于运动想象 (MI) 和运动执行 (ME) 任务的稀疏多任务学习框架。给定一个用于 MI-ME 分类的双任务 CNN 模型，我们应用基于显著性的稀疏化方法来剪枝多余的连接，并加强在两个任务中都显示出高重要性的连接。通过我们的方法，我们寻求阐明与每个任务相关联的独特和共同的神经集合，采用有原则的稀疏化技术来消除冗余连接并提高神经信号解码的保真度。我们的结果表明，这种量身定制的稀疏性可以缓解过拟合问题，并在少量数据下提高测试性能，为计算高效且鲁棒的 BCI 系统提出了一条可行的前进道路。
引用
@article{arxiv.2312.05828,
title = {Sparse Multitask Learning for Efficient Neural Representation of Motor Imagery and Execution},
author = {Hye-Bin Shin and Kang Yin and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2312.05828},
year = {2023}
}