机构名称：
¥ 1.0
摘要 — 在本文中，我们研究了从脑电图 (EEG) 数据中解码跨受试者运动想象 (MI) 的问题。由于各种个体间差异（例如大脑解剖结构、性格和认知特征），多受试者 EEG 数据集呈现出几种领域转变。这些领域转变使多受试者训练成为一项具有挑战性的任务，也阻碍了跨受试者的稳健泛化。受领域泛化技术对于解决此类问题的重要性的启发，我们提出了一种两阶段模型集成架构，该架构由多个特征提取器（第一阶段）和一个共享分类器（第二阶段）构建，我们使用两个新颖的损失项对其进行端到端训练。第一个损失应用课程学习，迫使每个特征提取器专门针对训练对象的子集并促进特征多样性。第二个损失是集成内蒸馏目标，允许集成模型之间协作交换知识。我们将我们的方法与几种最先进的技术进行了比较，在两个大型 MI 数据集（即 PhysioNet 和 OpenBMI）上进行了独立于受试者的实验。我们的算法在 5 倍交叉验证和留一受试者评估设置中均优于所有方法，并且使用的可训练参数数量要少得多。我们证明了我们的模型集成方法结合了课程学习和协作训练的力量，可实现高学习能力和稳健的性能。我们的工作解决了多受试者 EEG 数据集中的域转移问题，为无校准脑机接口铺平了道路。我们将代码公开发布在：https：//github.com/gzoumpourlis/Ensemble-MI。索引术语——脑机接口、EEG、运动意象解码、模型集成、域泛化
使用集成课程学习和协作训练进行运动意象解码
主要关键词
相关文件推荐
