Loading...
机构名称:
¥ 3.0

迁移学习 (TL) 已广泛应用于基于运动想象 (MI) 的脑机接口 (BCI),以减少新受试者​​的校准工作量,并表现出良好的性能。虽然基于闭环 MI 的 BCI 系统在脑电图 (EEG) 信号采集和时间滤波之后,在向外部设备发送控制信号之前包括空间滤波、特征工程和分类模块,但之前的方法仅考虑其中一两个组件中的 TL。本文提出可以在基于 MI 的 BCI 的所有三个组件(空间滤波、特征工程和分类)中考虑 TL。此外,在空间滤波之前特别添加数据对齐组件也非常重要,以使来自不同受试者的数据更加一致,从而促进后续的 TL。在两个 MI 数据集上的离线校准实验验证了我们的建议。特别是,整合数据对齐和复杂的 TL 方法可以显著提高分类性能,从而大大减少校准工作量。

基于运动意象的脑迁移学习...

基于运动意象的脑迁移学习...PDF文件第1页

基于运动意象的脑迁移学习...PDF文件第2页

基于运动意象的脑迁移学习...PDF文件第3页

基于运动意象的脑迁移学习...PDF文件第4页

基于运动意象的脑迁移学习...PDF文件第5页

相关文件推荐

2020 年
¥1.0
2024 年
¥1.0