机构名称：
¥ 1.0
机器学习的许多最新发展都来自“深度学习”领域，即使用先进的神经网络架构和技术。虽然这些方法已经产生了最先进的结果，并在许多领域（例如图像分类和自然语言处理）占据了研究重点，但它们在脑电图 (EEG) 或其他人类神经科学数据集的分类中并没有比标准多元模式分析 (MVPA) 技术取得更大的进展。EEG 数据中的高维度和大量噪声，再加上可以从人类受试者样本中合理获得的示例（试验）数量相对较少，导致训练深度学习模型困难。即使模型在训练中成功收敛，尽管存在正则化技术，也会出现严重的过度拟合。为了帮助缓解这些问题，我们提出了一种新的“配对试验分类”方法，该方法涉及将 EEG 记录对分类为来自同一类或不同类。这样，我们可以通过配对试验的组合大幅增加训练示例的数量，这种方式类似于但不同于传统的数据增强方法。此外，配对试验分类仍然允许我们通过“字典”方法确定新示例（试验）的真实类别：将新示例与每个类别中的一组已知示例进行比较，并通过对每个类别中相同/不同的决策值求和来确定最终类别。由于单个试验是有噪声的，因此可以通过将新的单个示例与“字典”进行比较来进一步改进这种方法，其中每个条目都是几个示例（试验）的平均值。在可以对单个未知类别的多个样本取平均值的情况下，甚至可以实现进一步的改进，从而可以将平均信号与平均信号进行比较。
配对试验分类：一种用于 MVPA 的新型深度学习技术
主要关键词
相关文件推荐
