.png){kind=icon}
返回
Manifold-based multi-branch transfer learning for MI-EEG decoding
.png){kind=icon}
PRE
AI
DOI：10.1016/j.chaos.2025.116326.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种新颖的脑机接口（BCI）系统中运动想象脑电图（MI-EEG）解码方法，旨在推动神经康复和人与计算机交互的发展。然而，由于MI-EEG具有非平稳特性、低信噪比以及显著的个体差异性，实现准确的跨被试解码对实际应用仍是一项挑战。为解决这一问题，我们提出了一种基于流形的数据处理方法，结合多分支网络并通过迁移学习增强，以提升跨被试性能。首先，我们识别与运动想象任务相关的频带，并使用对数欧几里得度量（LEM）将多频带数据（包括全频带数据和运动想象特异性频带）对齐到对称正定（SPD）流形上。随后，我们利用低秩表示（LRP）从流形上重建这些数据。最后，采用多分支网络从不同频带中提取并融合深度特征。我们在BCI Competition IV-2a数据集和我们的JS-MI数据集上验证了该方法，结果表明该方法在跨被试MI-EEG解码任务中表现优异，分类准确率分别达到74.55%和71.94%。我们的研究发现突显了该方法在提升BCI应用方面的潜力，并通过增强MI-EEG解码，为更有效的神经康复和人与计算机交互提供支持。
Keyword:
Brain-computer interfaces
Electroencephalogram
Motor imagery
Manifold learning
Deep learning
Transfer learning
期刊
C
IF:
5.6
论文数:
1.3K
被引数:
3.8W
机构
引用论文
分享收藏Manifold embedded instance selection to suppress negative transfer in motor imagery-based brain-computer interface基于运动想象的脑机接口中抑制负传递的流形嵌入式实例选择
PREAI
分享收藏Incorporating hand-crafted features into deep learning models for motor imagery EEG-based classification.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Event-related synchronization (ERS): an electrophysiological correlate of cortical areas at rest
PREAI
分享收藏Adaptive transfer learning for EEG motor imagery classification with deep Convolutional Neural NetworkNEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏
查看更多内容