arXiv:2004.12321v5 [cs.LG] 2021 年 1 月 25 日__

arXiv:2004.12321v5 [cs.LG] 2021 年 1 月 25 日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arXiv:2004.12321v5 [cs.LG] 2021 年 1 月 25 日

¥ 1.0

热度

摘要 — 由于缺乏大型数据集，深度学习 (DL) 方法在脑机接口 (BCI) 领域用于脑电图 (EEG) 记录分类的成功受到限制。与 EEG 信号相关的隐私问题限制了通过聚合多个小型数据集来联合训练机器学习模型来构建大型 EEG-BCI 数据集的可能性。因此，在本文中，我们提出了一种基于联邦学习框架的用于 EEG 分类的新型隐私保护 DL 架构，称为联邦迁移学习 (FTL)。利用单次试验协方差矩阵，该架构在域自适应技术的帮助下从多受试者 EEG 数据中提取共同的判别信息。我们在 PhysioNet 数据集上评估了所提出的架构对 2 类运动意象分类的性能。在避免实际数据共享的同时，我们的 FTL 方法在受试者自适应分析中实现了 2% 的更高分类准确率。此外，在缺乏多主题数据的情况下，与其他最先进的 DL 架构相比，我们的架构提供了 6% 更好的准确率。

添加pdf代下载 VIP点击下载文件