运动想象 (MI) 分类学习系列 (17) : CCSM-FT
运动想象分类学习系列:用于运动图像 EEG 信号解码的跨通道特定互特征迁移学习
- 0. 引言
- 1. 主要贡献
- 2. 方法
-
- 2.1 跨通道特定互特征迁移学习 （CCSM-FT） 网络
- 2.2 功能转移：
- 2.3 特征转移
- 2.4 参数选择
- 3. 结果
- 4. 分析
-
- 4.1 训练技巧分析
- 4.2 特征转移分析
- 5. 总结
- 欢迎来稿
论文地址：https://ieeexplore.ieee.org/document/10130804
论文题目：Cross-Channel Specific-Mutual Feature Transfer Learning for Motor Imagery EEG Signals Decoding
论文代码：无
0. 引言
然而，电极记录了神经元的混合活动。如果将不同的特征直接嵌入到同一个特征空间中，则不考虑不同神经元区域的特异性和互性特征，这会降低特征本身的表达能力。我们提出了一种跨通道特定互特征迁移学习 （CCSM-FT） 网络模型来解决这个问题。多分支网络提取大脑多区域信号的特定和相互特征。有效的训练技巧用于最大限度地区分这两种特征。与新颖的模型相比，合适的训练技巧也可以提高算法的有效性。最后，我们转移了两种特征来探索互特征和特定特征的潜力，以增强特征的表现力，并使用辅助集来提高识别性能。
总的来说&