.png){kind=icon}
返回
A two-stage EEG zero-shot classification algorithm guided by class reconstruction
.png){kind=icon}
PRE
AI
DOI：doi:10.1088/1741-2552/adeaea.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标。研究人员长期以来一直致力于从神经信号中解码人类视觉表征。这些研究对于揭示人脑中视觉处理的机制至关重要。脑电图（EEG）信号近年来因其无创性和低成本而广受关注。EEG分类是脑机接口研究中最受欢迎的话题之一。然而，大多数传统的EEG分类算法难以推广到训练阶段未涉及的未见类别。本工作的主要目标是提高这些EEG分类算法在未见类别上的性能。方法。在本工作中，我们提出了一种由类别重建引导的两阶段零样本EEG分类算法。该方法特别设计了基于类别重建的两阶段训练策略。这种结构和训练策略使模型能够全面学习不同类别EEG嵌入之间的关系和区别。对比语言-图像预训练（CLIP）模型具有良好对齐的潜在空间和强大的跨模态泛化能力。主要结果。我们在ImageStimulus-EEG数据集上进行了实验，以评估所提出方法的表现。同时，将其与最先进模型和基线模型进行了比较。实验结果表明，我们的模型在50路零样本分类任务中，在Top-1、Top-3和Top-5分类准确率上分别达到17.77%、38.76%和54.75%，表现出更优的性能。意义。所提出的方法利用CLIP特征在EEG、图像和文本之间架起了模态桥梁。它显著提高了模型在未见类别上的性能。实验结果验证了该方法在EEG零样本分类中的有效性。
Keyword:
EEG classification
zero-shot learning
class reconstruction
CLIP model
brain-computer interface
期刊
IF:
3.8
论文数:
4.0K
被引数:
1.4W
机构
引用论文
Brain Decoding of Viewed Image Categories via Semi-Supervised Multi-View Bayesian Generative Model
PREAI
分享收藏Generic decoding of seen and imagined objects using hierarchical visual features.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Decoding Visual Neural Representations by Multimodal Learning of Brain-Visual-Linguistic Features
OAAI
OAAI分享收藏
查看更多内容