使用静息态脑电信号的跨被试脑电运动想象分类的被试自适应迁移学习
信号处理
2024-07-10 v2 人工智能
机器学习
摘要
脑电图（EEG）运动想象（MI）分类是一项基础但具有挑战性的任务，因为个体间信号存在差异，即被试间变异性。以往的方法尝试在训练中使用目标被试的任务特定（TS）EEG信号来缓解这一问题。然而，记录TS EEG信号需要时间，限制了其在各个领域的适用性。相比之下，静息态（RS）EEG信号由于易于获取且包含丰富的被试信息，是一种可行的替代方案。本文提出了一种新颖的被试自适应迁移学习策略，利用RS EEG信号使模型适应未见过的被试数据。具体来说，我们将提取的特征分解为任务相关和被试相关特征，并利用它们校准RS EEG信号，以在保留被试特征的同时获取任务信息。然后使用校准后的信号使模型适应目标被试，使模型能够模拟处理目标被试的TS EEG信号。所提出的方法在三个公开基准上达到了最先进的准确率，证明了我们的方法在跨被试EEG MI分类中的有效性。我们的发现强调了利用RS EEG信号推进实用脑机接口系统的潜力。代码可在https://github.com/SionAn/MICCAI2024-ResTL获取。
引用
@article{arxiv.2405.19346,
title = {Subject-Adaptive Transfer Learning Using Resting State EEG Signals for Cross-Subject EEG Motor Imagery Classification},
author = {Sion An and Myeongkyun Kang and Soopil Kim and Philip Chikontwe and Li Shen and Sang Hyun Park},
journal= {arXiv preprint arXiv:2405.19346},
year = {2024}
}
备注
Early Accepted at MICCAI 2024