Few-Shot Class-Incremental Learning With Dynamic Prototype Refinement for Brain Activity Classification

doi:10.1109/JBHI.2025.3605108

Few-Shot Class-Incremental Learning With Dynamic Prototype Refinement for Brain Activity Classification

2025-09-05

0

PRE

AI

DOI：10.1109/JBHI.2025.3605108

原文链接

原文求助

摘要

En 中文

脑机接口（BCI）系统促进了高效通信与控制，其中脑电图（EEG）信号是其关键组成部分。基于静态深度学习模型的传统EEG信号分类方法，在出现新的受试者脑活动类别时面临挑战。目标是开发一种模型，能够在识别新的少样本类别的同时，保留其区分现有类别的能力。这种情况被称为少样本类增量学习（FSCIL）。本研究提出IncrementEEG，一个精心设计的创新框架，旨在应对EEG脑活动分类中FSCIL的独特挑战，重点关注情感识别和稳态视觉诱发电位（SSVEP）。本研究分析了加性角边距损失在提升模型区分能力中的作用。所提出的方法旨在展示在开放世界条件下的鲁棒性以及对新任务的适应性。此外，我们引入了一个原型精炼模块，包含原型增强块和更新块。深度特征空间中的原型增强块保留了先前任务的决策边界，而原型更新块利用共享嵌入空间计算关系矩阵，以引导原型更新。在多个数据集上进行的广泛实验表明，IncrementEEG框架的性能优于当前最先进的方法。所提出的方法推进了FSCIL脑活动分类，为脑机接口系统的应用提供了有前景的潜力。

Keyword:

Electroencephalography

SSVEP

BCI

few-shot class-incremental learning

emotion recognition

brain activity classification

Few-Shot Class-Incremental Learning With Dynamic Prototype Refinement for Brain Activity Classification

摘要

期刊

机构