MIN2Net: сквозное многозадачное обучение для межсубъектной классификации ЭЭГ при воображении движений

Цель: Развитие интерфейсов мозг—компьютер (ИМК) на основе воображения движений позволяет управлять различными приложениями посредством декодирования нейрофизиологических феноменов, обычно регистрируемых с помощью электроэнцефалографии (ЭЭГ) неинвазивным методом. Несмотря на значительный прогресс в области ИМК на основе воображения движений, ритмы ЭЭГ специфичны для каждого человека и изменяются со временем. Это создаёт существенные трудности для повышения эффективности классификации, особенно при её выполнении независимо от испытуемого.

Методы: Для решения этих задач мы предлагаем MIN2Net — новый метод сквозного многозадачного обучения. Мы интегрировали глубокое метрическое обучение в многозадачный автоэнкодер, чтобы одновременно получать из ЭЭГ компактное дискриминативное латентное представление и выполнять классификацию.

Результаты: Этот подход снижает сложность предварительной обработки и значительно повышает эффективность классификации ЭЭГ. Эксперименты с межсубъектной классификацией показали, что MIN2Net превосходит современные методы, обеспечивая увеличение F1-меры на 6,72% для набора данных SMR-BCI и на 2,23% для набора данных OpenBMI.

Выводы: Мы показали, что MIN2Net повышает информативность латентного представления для различения классов.

Значимость: Результаты указывают на возможность и практическую применимость этой модели для разработки приложений ИМК на основе воображения движений, предназначенных для новых пользователей и не требующих калибровки.