机构名称：
¥ 1.0
摘要 — 最近，使用现代机器学习技术解码和解释脑信号的脑机接口 (BCI) 领域取得了实质性进展。虽然脑电图 (EEG) 提供了一种与人脑交互的非侵入性方法，但获取的数据通常严重依赖于受试者和会话。这使得将这些数据无缝整合到现实世界的应用中变得棘手，因为受试者和会话数据的差异可能导致漫长而繁琐的校准要求和跨受试者泛化问题。专注于稳态视觉诱发电位 (SSVEP) 分类系统，我们提出了一种生成高度逼真的合成 EEG 数据的新方法，这些数据不受任何受试者、会话或其他环境条件的影响。我们的方法称为主题不变 SSVEP 生成对抗网络 (SIS-GAN)，它使用单个网络从多个 SSVEP 类别生成合成 EEG 数据。此外，通过利用固定权重预训练的主题分类网络，我们确保我们的生成模型对主题特定特征保持不可知，从而生成可应用于新的以前未见过的主题的主题不变数据。我们广泛的实验评估证明了我们的合成数据的有效性，在使用我们的主题不变合成 EEG 信号进行训练时，可实现卓越的性能，在零校准分类任务中可提高高达 16 个百分点。
利用合成主体不变 EEG 信号实现零校准 BCI
主要关键词
相关文件推荐
