基于主动抽样的迁移学习用于BCI-P300在不同健康状态和跨中心数据中的快速训练与标定
信号处理
2024-12-25 v1 人工智能
机器学习
摘要
机器学习和深度学习的进步提升了脑机接口（BCI）的性能，但其大规模应用受到诸多因素的限制，包括个体健康状况、硬件差异以及文化差异对神经数据的影响。研究常常聚焦于均匀的单站点实验中的统一设置，导致在实际多样性情境下的高性能可能难以实现。深度学习模型旨在提高BCI分类准确度，迁移学习被建议以基于他人数据训练的基础模型适应个体神经模式。这种方法有望实现更好的泛化性并减少过拟合，但在处理来自不同设备、受试者、多个国家的多个中心以及健康和患者人群的多样化且不平衡数据以实现有效模型迁移和调优方面仍面临挑战。在以最大异质性为特征的环境中，我们提出一种用于BCI中P300波检测的卷积神经网络，采用基于盲酒精抽样盘（PDS）的自适应迁移学习，即称为主动抽样（AS）的方法，灵活调整源数据与目标域之间的转换。我们在两个国际复制数据集中报告的结果显示，在subject自适应且仅进行40%自适应微调的情况下，平均分类准确率提高了5.36%，标准差降低了12.22%。这些结果在分类准确率、计算时间和训练效率方面均优于传统方法，主要归功于所提出的主动抽样（AS）方法进行迁移学习。
引用
@article{arxiv.2412.17833,
title = {Transfer Learning with Active Sampling for Rapid Training and Calibration in BCI-P300 Across Health States and Multi-centre Data},
author = {Christian Flores and Marcelo Contreras and Ichiro Macedo and Javier Andreu-Perez},
journal= {arXiv preprint arXiv:2412.17833},
year = {2024}
}