面向脑机接口驱动的沉浸式通信的脉冲化个性化联邦学习
机器学习
2026-05-21 v1 信号处理
摘要
本工作提出一种新型沉浸式通信框架，利用脑机接口 (BCI) 获取脑信号以推断用户中心状态（如意图和感知相关不适），从而实现在个体差异显著的情境下的更个性化且稳健的沉浸式适应。具体而言，我们开发了一种个性化联邦学习 (PFL) 模型来分析和处理收集的脑信号，不仅能适应具有神经发育差异的脑信号数据，还能防止敏感脑信号信息的泄露。为解决在能源受限的沉浸终端（如头戴式显示器）上持续设备学习和推断的能源瓶颈，我们进一步将脉冲神经网络 (SNN) 嵌入 PFL。通过利用稀疏、基于事件的脉冲计算，SNN 启用 PFL 在训练和推断过程中降低计算和能源成本，同时保持具竞争力的个性化性能。实验基于真实脑信号数据集，表明该方法在实现最佳整体识别准确率的同时，推断能源消耗较conventional artificial neural network-based personalized baseline降低了6.46倍。
引用
@article{arxiv.2603.22727,
title = {Spiking Personalized Federated Learning for Brain-Computer Interface-Enabled Immersive Communication},
author = {Chen Shang and Dinh Thai Hoang and Diep N. Nguyen and Jiadong Yu},
journal= {arXiv preprint arXiv:2603.22727},
year = {2026}
}
备注
6 pages, 3 figures