Ensemble-Framework für tiefe Domänenanpassung aus mehreren Quellen zur motorischen Vorstellung EEG-Transferlernens über Datensätze hinweg

Zusammenfassung Zielsetzung. Elektroenzephalographie (EEG) ist eine wichtige Art von bioelektrischem Signal zur Messung physiologischer Aktivitäten des Gehirns, und motorische Vorstellung (MI) EEG hat bedeutende klinische Anwendungsperspektiven. Das Convolutional Neural Network ist zu einem Hauptalgorithmus für die MI EEG-Klassifikation geworden, jedoch schränkt das Fehlen subjektbezogener Daten die Dekodierungsgenauigkeit und Generalisierungsleistung erheblich ein. Um diese Herausforderung zu adressieren, wird in dieser Arbeit ein neuartiges Transfer-Lern-Framework unter Verwendung eines Hilfsdatensatzes vorgeschlagen, um die MI EEG-Klassifikationsleistung des Zielsubjekts zu verbessern. Vorgehen. Wir haben ein Ensemble-Framework für tiefe Domänenanpassung aus mehreren Quellen (MSDDAEF) zur MI EEG-Dekodierung über Datensätze entwickelt. Das vorgeschlagene MSDDAEF umfasst drei Hauptkomponenten: Modellvortrainierung, tiefe Domänenanpassung und Mehrquellen-Ensemble. Außerdem wurden für jede Komponente verschiedene Ausgestaltungen geprüft, um die Robustheit von MSDDAEF zu verifizieren. Hauptergebnisse. Bidirektionale Validierungsexperimente wurden an zwei großen öffentlichen MI EEG-Datensätzen (openBMI und GIST) durchgeführt. Die höchste durchschnittliche Klassifikationsgenauigkeit von MSDDAEF erreicht 74,28 %, wenn openBMI als Zieldatensatz und GIST als Quelldatensatz dient. Die höchste durchschnittliche Klassifikationsgenauigkeit von MSDDAEF beträgt 69,85 %, wenn GIST als Zieldatensatz und openBMI als Quelldatensatz dient. Zusätzlich übertrifft die Klassifikationsleistung von MSDDAEF mehrere etablierte Studien und neueste Algorithmen. Bedeutung. Die Ergebnisse dieser Studie zeigen, dass Cross-Dataset Transfer Learning für links/rechts-Hand MI EEG-Dekodierung machbar ist, und deuten weiterhin darauf hin, dass MSDDAEF eine vielversprechende Lösung zur Bewältigung der MI EEG Cross-Dataset-Variabilität darstellt.