基于脑电的运动想象分类的独立于被试的深度架构
信号处理
2024-02-16 v1 机器学习
摘要
基于脑电图（EEG）的运动想象（MI）分类是非侵入式脑机接口（BCI）系统中广泛使用的技术。由于EEG记录存在被试间异质性且标记数据不足，设计一种在有限标记样本下独立于被试进行MI分类的分类器是可取的。为克服这些限制，我们提出了一种新颖的独立于被试的半监督深度架构（SSDA）。所提出的SSDA由两部分组成：无监督部分和有监督部分。训练集包含来自多个被试的标记和未标记数据样本。首先，无监督部分，即柱状时空自编码器（CST-AE），通过最大化原始数据与重构数据之间的相似性，从所有训练样本中提取潜在特征。采用维度缩放方法降低表示的维度，同时保持其判别性。其次，有监督部分利用无监督部分获得的潜在特征，基于标记训练样本学习一个分类器。此外，我们在有监督部分使用中心损失，以最小化每个类中每个点到其中心的嵌入空间距离。该模型以端到端方式优化网络的两个部分。所提出的SSDA的性能在训练阶段未见过的测试被试上进行评估。为评估性能，我们使用了两个基准EEG运动想象任务数据集。结果表明，SSDA优于现有最先进方法，且少量标记训练样本即可获得强分类性能。
引用
@article{arxiv.2402.09438,
title = {Subject-Independent Deep Architecture for EEG-based Motor Imagery Classification},
author = {Shadi Sartipi and Mujdat Cetin},
journal= {arXiv preprint arXiv:2402.09438},
year = {2024}
}