.png){kind=icon}
返回
Domain transfer learning for multi-class EEG decoding based on lateral feature connected diffusion model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.132526.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多类神经解码在开发直观脑机接口系统方面具有显著潜力，能够实现神经活动向通信或控制指令的直接转换。然而，想象言语的神经相关物本身较弱，导致鲁棒解码（尤其是基于非侵入式脑电图[EEG]）的难度显著增加。为解决这些问题，本研究提出了一种基于知识蒸馏的迁移学习框架，旨在将显性言语EEG中提取的丰富语言表征转移至想象言语领域。该方法弥合了显性言语与想象言语之间的表征差异，提升了想象言语特征的判别性和稳定性。我们设计了一种基于扩散的深度神经网络，整合了具有侧向特征连接的U-Net骨干网络，以促进多尺度特征融合和有效的表征学习。所提出的模型在多类解码性能上展现出显著提升，并在跨被试测试中保持稳定且可扩展的性能。这些结果表明，将显性言语知识融入想象言语解码构成了一种有效策略，用于增强解码的可靠性和泛化能力。所提出的框架为实用且易于获取的EEG基通信系统提供了系统化的实现路径。
Keyword:
Electroencephalography
Transfer learning
Imagined speech
Signal processing
Diffusion model
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysisEEGLAB: 用于分析单次试验EEG动态的开源工具箱，包括独立成分分析
OAAI
.png){kind=icon}
OAAI分享收藏Can Emotion Be Transferred?-A Review on Transfer Learning for EEG-Based Emotion Recognition情绪能被转移吗？-- 基于脑电信号的情绪识别迁移学习综述
PREAI
分享收藏
Subject adaptation convolutional neural network for EEG-based motor imagery classification基于主体自适应卷积神经网络的脑电运动想象分类
PREAI
分享收藏DM-RE2I: A framework based on diffusion model for the reconstruction from EEG to imageDM-RE2I: 基于扩散模型的脑电图像重建框架
PREAI
分享收藏
查看更多内容