.png){kind=icon}
返回
Generative Diffusion-Based Task Incremental Learning Method for Decoding Motor Imagery EEG
.png){kind=icon}
OA
AI
DOI：10.3390/brainsci15020098.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景/目标：运动神经康复可以通过逐步学习多种运动想象（MI）任务来实现。基于EEG的脑机接口（BCI）提供了一种有效的解决方案。然而，现有的MI解码方法无法平衡对新任务的塑性适应和对旧任务的稳定性。本文提出了一种基于生成扩散的任务增量学习（IL）方法，称为GD-TIL。方法：首先，采用数据增强来增加数据多样性，通过分段和重组EEG信号。其次，为了从不同时间分辨率中捕捉时空特征（TSFs），开发了一种多尺度时空特征提取器（MTSFE），通过整合多尺度时空卷积、双分支池化操作、多个多头自注意力机制和动态卷积编码器。提出的自监督任务泛化（SSTG）机制引入了正则化约束，以指导MTSFE和统一分类器的更新，该机制结合了增强视图与原始视图的标签和语义相似性，以增强模型对新任务的泛化能力。在IL阶段，使用原型引导的生成重放模块（PGGR），基于每个任务的原型和标签训练一个轻量级扩散模型，以生成旧任务的TSFs。此外，生成的TSF与新TSF合并，以微调卷积编码器并更新分类器和PGGR。最后，GD-TIL在自建的ADL-MI数据集（包含两个MI任务对）和一个公开数据集（包含四个MI任务）上进行了评估。结果：连续解码准确率分别达到80.20%和81.32%。实验结果表明，GD-TIL表现出优异的塑性和稳定性，甚至超越了当前最先进的IL方法。结论：本研究展示了基于MI的BCI和生成式AI在持续神经康复中的潜力。
Keyword:
motor imagery EEG
task incremental learning
conditional diffusion
temporal-spatial feature extraction
generative artificial intelligence
期刊
IF:
13.7
论文数:
1.6W
被引数:
1.2W
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
OAAI分享收藏Contributions of the Primary Sensorimotor Cortex and Posterior Parietal Cortex to Motor Learning and Transfer初级感觉运动皮层和后顶叶皮层对运动学习和迁移的贡献OAAI
OAAI分享收藏Continuous transfer of neural network representational similarity for incremental learning用于增量学习的神经网络表示相似性的连续传递.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Unconditional EEG Synthesis Based on Diffusion Models for Sound Generation基于扩散模型的无条件EEG合成用于声音生成
PREAI
分享收藏A New Framework Combining Diffusion Models and the Convolution Classifier for Generating Images from EEG Signals结合扩散模型和卷积分类器的用于从EEG信号生成图像的新框架OAAI
OAAI分享收藏Introspective GAN: Learning to grow a GAN for incremental generation and classificationPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容