无需用户特定训练的集成DNN迁移学习用于SSVEP BCI拼写器

目的：稳态视觉诱发电位（SSVEP）通过脑电图（EEG）测量，在脑机接口（BCI）拼写器中可获得不错的信息传输率（ITR）。然而，文献中当前高性能的SSVEP BCI拼写器需要为每个新用户进行初始的冗长且疲劳的用户特定训练以实现系统适配，包括EEG实验的数据采集、算法训练与校准（均在实际使用系统之前）。这阻碍了BCI的广泛应用。为保证实用性，我们提出一种基于深度神经网络（DNN）集成的高度新颖的目标识别方法，其不需要任何类型的用户特定训练。方法：我们利用已有文献中来自既往EEG实验参与者的数据集首先训练一个全局目标识别DNN，随后对其进行到各参与者的微调。我们将该微调DNN集成迁移至新用户实例，依据参与者与新用户的统计相似性确定k个最具代表性的DNN，并通过集成预测的加权组合预测目标字符。结果：在两个大规模基准与BETA数据集上，我们的方法取得了令人印象深刻的155.51 bits/min与114.64 bits/min的ITR。代码可获取以保证可复现性：https://github.com/osmanberke/Ensemble-of-DNNs 结论：所提方法在两个数据集上针对[0.2-1.0]秒内的所有刺激时长均显著优于所有最先进的替代方法。意义：我们的集成DNN方法有望促进BCI拼写器在日常生活中的实际广泛部署，因为我们提供了最高性能，同时实现了无需任何用户特定训练的即时系统使用。