机构名称：
¥ 1.0
摘要 — 脑电图 (EEG) 的受试者间/受试者内变异性使得脑机接口 (BCI) 的实际使用变得困难。通常，BCI 系统每次使用时都需要一个校准程序来调整模型。这个问题被认为是 BCI 的主要障碍，为了克服它，最近出现了基于迁移学习 (TL) 的方法。然而，许多 BCI 范例的局限性在于它们由首先显示标签然后测量“图像”的结构组成，在受试者到受试者的 TL 过程的许多情况下，包含不包含控制信号的数据的源受试者的负面影响被忽略了。本文的主要目的是提出一种排除预计会对受试者到受试者 TL 训练产生负面影响的受试者的方法，该方法通常使用来自尽可能多的受试者的数据。在本文中，我们提出了一个仅使用高置信度受试者进行 TL 训练的 BCI 框架。在我们的框架中，深度神经网络使用基于小损失技巧的共同教学算法为 TL 过程选择有用的对象并排除嘈杂的对象。我们在两个公共数据集（2020 年国际 BCI 竞赛 Track 4 和 OpenBMI 数据集）上尝试了留一法验证。我们的实验结果表明，选择具有小损失实例的对象的置信感知 TL 可以提高 BCI 的泛化性能。关键词 — 脑机接口、脑电图、运动意象、迁移学习、嘈杂标签
具有信心意识的主体间迁移学习...
主要关键词
相关文件推荐
