.png){kind=icon}
返回
Source Data Selection for Brain–Computer Interfaces Based on Simple Features
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2026.3670905.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
仔细选择源数据对于实现脑机接口（BCIs）迁移学习方法的良好性能至关重要。特别是在拥有大量源数据的场景下，寻找最优源在计算上并不可行。本文提出了一种新颖的源选择方法，即所谓的迁移性能预测器（TPP）方法。TPP方法基于计算简单的特征，这一选择旨在实现实时部署并减少校准时间。所提出的方法在拥有大量源数据的BCI场景中，其性能优于其他可比的源选择方法。通过使用TPP方法，源选择可以快速完成并获得良好的迁移学习性能，这意味着可以缩短BCI校准时间，并使新目标用户能够更快地开始使用BCI。
Keyword:
Brain–computer interface
calibration
cross subject
machine learning
Riemannian geometry
source data selection
transfer learning
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Active Selection of Source Patients in Transfer Learning for Epileptic Seizure Detection Using Riemannian Manifold.png)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏Advances in deep learning for personalized ECG diagnostics: A systematic review addressing inter-patient variability and generalization constraints个性化ECG诊断的深度学习进展: 解决患者间变异性和泛化约束的系统评价
PREAI
分享收藏Signal Processing Approaches to Minimize or Suppress Calibration Time in Oscillatory Activity-Based Brain-Computer InterfacesPROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏
查看更多内容