机构名称：
¥ 1.0
近年来，深度学习已成为开发脑机接口 (BCI) 系统的有力工具。然而，对于完全基于特定个体的数据训练的深度学习模型，由于特定受试者的数据有限，性能提升幅度很小。为了解决这个问题，提出了许多基于迁移的方法，其中使用来自其他受试者的现有数据训练深度网络，并在新的目标受试者上进行评估。然而，这种迁移学习模式面临着脑数据存在大量受试者间差异的挑战。为了解决这个问题，我们在本文中提出了 5 种方案，用于适应基于深度卷积神经网络 (CNN) 的脑电图 (EEG)-BCI 系统以解码手部运动想象 (MI)。每个方案都会微调经过广泛训练的预训练模型，并对其进行调整以提高对目标受试者的评估性能。我们报告了最高的受试者独立性能，两类运动想象的平均（N = 54）准确率为 84.19% (± 9 . 98%)，而文献中该数据集的最佳准确率为 74.15% (± 15 . 83%)。此外，与基线受试者独立模型相比，我们使用所提出的自适应方案在分类方面获得了统计学上显着的改进（p = 0 . 005）。© 2020 Elsevier Ltd. 保留所有权利。
神经网络自适应迁移学习用于脑电图运动...
主要关键词
相关文件推荐
