机构名称：
¥ 1.0
数据不足是脑机接口 (BCI) 构建高性能深度学习模型的长期挑战。尽管许多研究小组和机构为同一 BCI 任务收集了大量 EEG 数据集，但由于设备的异构性，共享来自多个站点的 EEG 数据仍然具有挑战性。鉴于数据多样性在促进模型稳健性方面起着至关重要的作用，这一挑战的重要性怎么强调也不为过。然而，现有的研究很少讨论这个问题，主要将注意力集中在单个数据集内的模型训练上，通常是在跨受试者或跨会话设置的背景下。在这项工作中，我们提出了一个分层个性化联邦学习 EEG 解码 (FLEEG) 框架来克服这一挑战。这个创新框架预示着 BCI 的一种新的学习范式，使具有不同数据格式的数据集能够在模型训练过程中进行协作。每个客户端都被分配一个特定的数据集并训练一个分层的个性化模型来管理不同的数据格式并促进信息交换。同时，服务器协调训练过程以利用从所有数据集中收集的知识，从而提高整体性能。该框架已在运动想象 (MI) 分类中进行了评估，其中九个 EEG 数据集由不同的设备收集但执行相同的 MI 任务。结果表明，通过实现多个数据集之间的知识共享，特别是对于较小的数据集，所提出的框架可以将分类性能提高高达 8.4%。可视化结果还表明，所提出的框架可以使本地模型将注意力稳定地放在与任务相关的领域，从而获得更好的性能。据我们所知，这是第一个解决这一重要挑战的端到端解决方案。
通过联邦学习聚合内在信息以增强 BCI 性能
主要关键词
相关文件推荐
