机构名称：
¥ 1.0
摘要 - 本文重点介绍了基于脑电图的视觉识别的主题适应。它旨在通过从源主题的丰富数据中传输知识来构建针对脑电图样本受到限制的目标主题定制的视觉刺激识别系统。现有的方法考虑了在培训期间可以访问源主题样本的情况。但是，由于隐私问题，访问诸如EEG信号之类的个人生物学数据通常是不可行的，并且有问题。在本文中，我们介绍了一种新颖而实用的问题设置，即无源的受试者适应，其中源主题数据不可用，并且仅提供预先训练的模型参数以进行对象适应。为了解决这一具有挑战性的问题，我们提出了基于分类的数据生成，以使用分类响应来模拟来自源对象的脑电图样本。使用生成的样本和目标主题数据，我们执行主题独立的特征学习来利用跨不同主题共享的常识。值得注意的是，我们的框架是可以推广的，并且可以采用任何独立于主题的学习方法。在EEG-IMAGENET40基准的实验中，我们的模型都会带来一致的改进，而不论其无关学习的选择如何。此外，我们的方法显示出有希望的性能，即使在不依赖源数据的情况下，在5-Shot设置下将TOP-1测试精度记录为74.6％。我们的代码可以在https://github.com/deepbci/deep-bci上找到。索引术语 - 脑计算机界面，脑电图，基于脑电图的视觉识别，无源的主题适应，深度学习
基于EEG的视觉识别的无源主题适应
主要关键词
相关文件推荐
