XiaoMi-AI文件搜索系统
World File Search SystemFBCSP
将深度学习模型从健康的受试者转移到运动成像脑部计算机界面中的中风患者
摘要。目标：基于脑电图（EEG）的运动图像（MI）脑部计算机界面（BCI）主要是用于中风康复的，但是由于中风数据有限，当前的跨学科分类深度学习方法依赖于健康数据。本研究旨在评估使用健康个体数据进行预训练的MI-BCI模型的可行性，以检测中风患者的MI。方法：我们引入了一种新的转移学习方法，其中使用健康个体的两类MI数据的特征来检测中风患者的MI。我们将所提出方法的结果与中风数据中的分析获得的结果进行了比较。实验是使用深度转弯和特定于主题的机器学习MI分类器进行的，对来自健康受试者的OpenBMI两级MI-EEG数据进行了评估，并从健康受试者和两级MI和中风患者的REST数据进行了评估。主要结果：我们的研究结果表明，通过使用健康受试者数据进行预训练的模型，平均MI检测准确性为71.15％（46％）可以在71名中风患者中实现。我们证明，在转移学习后，预训练模型的准确性增加了18.15％（P p。0.001）。此外，拟议的转移学习方法的表现优于Deep Convnet和FBCSP所取得的特定主题结果，其绩效的显着增强分别为7.64％（P p。0.001）和5.55％（P p pst）。意义：转移值得注意的是，健康到中风的转移学习方法的表现与中风转移学习相似，没有显着差异（pą0.05）。使用转移模型确定的通道相关模式来解释的AI分析，这些模式表明了皮质的双侧运动，额叶和顶端区域对中风患者的MI检测的贡献。