Sign In

Spatial Distillation based Distribution Alignment (SDDA) for Cross-Headset EEG Classification

Created by
  • Haebom
Category
Empty

저자

Dingkun Liu, Siyang Li, Ziwei Wang, Wei Li, Dongrui Wu

개요

본 논문은 비침습적 뇌-컴퓨터 인터페이스(BCI)에서 서로 다른 헤드셋 간의 EEG 신호 해독 문제를 해결하기 위해 공간 증류 기반 분포 정렬(SDDA) 방법을 제안한다. SDDA는 모든 전극을 활용하는 공간 증류와 소스 및 타겟 도메인 간의 차이를 해결하기 위한 입력/특징/출력 공간 분포 정렬을 사용한다. 크로스-헤드셋 전이에 지식 증류를 사용한 최초의 연구이며, 두 가지 BCI 패러다임의 6개 EEG 데이터셋에 대한 광범위한 실험을 통해 오프라인 비지도 도메인 적응 및 온라인 지도 도메인 적응 시나리오 모두에서 기존의 10가지 전이 학습 알고리즘보다 우수한 성능을 달성했다.

시사점, 한계점

•
시사점:
◦
서로 다른 헤드셋 간의 EEG 신호 해독 문제에 대한 효과적인 해결책 제시.
◦
공간 증류 기반 분포 정렬(SDDA) 방법의 우수한 성능 검증.
◦
크로스-헤드셋 전이에 지식 증류를 적용한 최초의 시도.
◦
오프라인 및 온라인 도메인 적응 시나리오 모두에서 우수한 성능을 입증.
•
한계점:
◦
제한된 종류의 EEG 데이터셋과 BCI 패러다임 사용.
◦
실제 환경에서의 일반화 성능에 대한 추가적인 검증 필요.
◦
SDDA 방법의 계산 비용 및 복잡도에 대한 분석 필요.
👍
Made with Slashpage