迁移学习提升帕金森病患者的运动想象脑机接口模型分类准确率
信号处理
2020-11-02 v1 机器学习
摘要
基于运动想象（Motor-Imagery, MI）的脑机接口（BCI）神经康复能够改善帕金森病患者的运动能力并减轻缺陷症状。需要先进的 MI-BCI 方法来克服此类患者中准确率和时间相关的 MI-BCI 校准挑战。在本研究中，我们提出了一种基于会话间迁移学习的多会话 FBCSP（msFBCSP），并研究了其相对于基于单会话的 FBSCP 的性能。本研究的主要结果是，所提出的 msFBCSP 相比单会话 FBCSP 在帕金森病患者中获得了显著更高的准确率（中位数 81.3%，范围 41.2-100.0% 对比中位数 61.1%，范围 25.0-100.0%；p<0.001）。总之，本研究提出了一种基于迁移学习的多会话 FBCSP 方法，其显著改善了在帕金森病患者上进行的 MI BCI 的校准准确率。
引用
@article{arxiv.2010.15899,
title = {Transfer Learning improves MI BCI models classification accuracy in Parkinson's disease patients},
author = {Aleksandar Miladinović and Miloš Ajčević and Pierpaolo Busan and Joanna Jarmolowska and Giulia Silveri and Susanna Mezzarobba and Piero Paolo Battaglini and Agostino Accardo},
journal= {arXiv preprint arXiv:2010.15899},
year = {2020}
}