机构名称：
¥ 1.0
摘要 — 卷积神经网络 (CNN) 已成为解码 EEG 的强大技术，并已成为运动想象 EEG 脑机接口 (BCI) 解码的基准。然而，在不降低个体表现的情况下在多个受试者的 EEG 上训练 CNN 仍然具有挑战性。这被称为负迁移问题，即从不同的分布中学习会导致 CNN 错误地表示每个受试者的 EEG，而不是学习更丰富的表示。因此，CNN 不能直接使用多个受试者的 EEG 来直接提高模型性能。为了解决这个问题，我们将深度迁移学习技术扩展到 EEG 多受试者训练案例。我们提出了一个多分支深度传输网络，即分离-公共-分离网络 (SCSN)，该网络基于为各个受试者拆分网络的特征提取器。我们还探讨了将最大均值差异 (MMD) 应用于 SCSN (SCSN-MMD) 的可能性，以更好地对齐来自各个特征提取器的特征分布。在 BCI 竞赛 IV 2a 数据集 (BCICIV2a 数据集) 和我们的在线记录数据集上对所提出的网络进行了评估。结果表明，所提出的 SCSN (81.8%，53.2%) 和 SCSN-MMD (81.8%，54.8%) 在使用多个受试者的两个数据集上均优于基准 CNN (73.4%，48.8%)。我们提出的网络显示出利用更大的多受试者数据集来训练 EEG 解码器的潜力，而不会受到负迁移的影响。索引术语 — 脑机接口、EEG、多受试者、深度学习、迁移学习、在线解码 I. 介绍
用于运动想象脑电图解码的跨主体深度迁移学习
主要关键词
相关文件推荐
