摘要 — 脑机接口 (BMI) 已成为辅助技术的变革力量,通过实现设备控制和促进功能恢复,为运动障碍患者提供了帮助。然而,持续存在的会话间差异性挑战带来了重大障碍,每次使用时都需要耗时的校准。除此之外,当前设备的低舒适度进一步限制了它们的使用。为了应对这些挑战,我们提出了一种综合解决方案,将基于 CNN 的微型迁移学习 (TL) 方法与舒适的可穿戴 EEG 头带相结合。这种新型可穿戴 EEG 设备在头带上放置了柔软的干电极,并能够进行机载处理。我们获取了多个会话的运动 EEG 数据,并使用 TL 实现了高达 96% 的会话间准确度,大大缩短了校准时间并提高了可用性。通过每 100 毫秒在边缘执行一次推理,该系统估计可实现 30 小时的电池寿命。舒适的 BMI 设置配有微型 CNN 和 TL,为未来的设备持续学习铺平了道路,这对于解决会话间差异和提高可用性至关重要。索引术语 — 脑机接口、EEG、可穿戴医疗保健、可穿戴 EEG、深度学习、迁移学习
当前基于运动图像的大脑计算机界面(BCI)系统需要在每个会话开始时进行较长的校准时间,然后才能以足够水平的分类精度使用。特别是,对于长期BCI用户而言,此问题可能是重大负担。本文提出了一种新颖的转移学习算法,称为R-KLWDSA,以减少长期用户的BCI校准时间。建议的R-KLWDSA算法使用一种新的线性比对方法,将以前会话中用户的脑电图数据与当前会话中收集的少数EEG试验相结合。此后,先前会议的EEG试验和当前会话中的少量EEG试验进行了对齐的EEG试验,然后通过加权机制融合了它们在用于校准BCI模型之前。为了验证所提出的算法,使用了一个大型数据集,其中包含来自11名中风患者的脑电图数据,每个患者进行了18个BCI会议。与会议特定算法相比,所提出的框架表明,分类准确性的显着提高了4%以上,而本课程中每个课程可获得的两次试验少于两项试验。所提出的算法在提高初始会议准确性低于60%的会话的BCI准确性方面特别成功,其准确性的平均提高约为10%,导致中风患者具有有意义的BCI康复。