面向运动想象分类任务的任务导向子域对抗迁移网络
运动想象是一种应用前景广泛的脑机接口范式.在基于脑电的运动想象分类任务中,由于设备和被试的缘故,会导致与被试、时间相关的数据分布漂移现象.这种数据分布漂移会使得分类器分类精度下降.而迁移学习能很好地解决这种分布漂移现象.本文提出了一种新的单源域选择算法,多子域可迁移性估计(multi-subdomain transferability estimation,MSTE)和一种新的迁移方法,任务导向的子域对抗迁移网络(task-oriented subdomain adversarial transfer network,ToSAN),用于脑电信号的分类任务.MSTE能评估源域和目标域在时间和类别上的相似性.ToSAN能面向分类任务分解特征,在与任务相关的特征上进行多个子域对齐,从而克服分布差异.在BCI Competition Ⅳ 2a和BCI Competition IV 2b上的实验结果表明,ToSAN相比于其他方法在分类准确率上提高了最少 2.67%,8.6%.MSTE 和 ToSAN 的结合在 BCI Competition Ⅳ 2a 和 BCI Competition Ⅳ 2b 数据集上分别达到了81.73%和88.73%的分类准确率,显著优于所有对比方法.
运动想象、深度学习、脑电信号、脑机接口、神经反馈、迁移学习
32
TP39;F752.742.4;R318
江苏高校优势学科建设工程
2023-09-25(万方平台首次上网日期,不代表论文的发表时间)
共11页
143-153