文章概要:

1. 研究團(tuán)隊(duì)成功開發(fā)了一種小樣本學(xué)習(xí)模型，能夠準(zhǔn)確分類腦波，僅需少量信息。

2. 傳統(tǒng)深度學(xué)習(xí)模型需要大量腦波數(shù)據(jù)，而新開發(fā)的模型可以即使使用少量數(shù)據(jù)也能準(zhǔn)確分類腦波，有望推動(dòng)腦波相關(guān)研究。

3. 研究團(tuán)隊(duì)采用了嵌入模塊、時(shí)間注意模塊、聚合注意模塊和關(guān)系模塊，成功提高了模型的分類準(zhǔn)確性，為腦波研究提供了新的可能性。

站長之家(ChinaZ.com) 9月21日 消息:韓國Daegu科技大學(xué)（DGIST）機(jī)器人與機(jī)械工程系的Sanghyun Park教授領(lǐng)導(dǎo)的研究團(tuán)隊(duì)宣布，他們已經(jīng)成功開發(fā)了一種小樣本學(xué)習(xí)模型，僅需少量信息就能夠準(zhǔn)確分類腦波。這一突破性的研究可能會對未來與腦波相關(guān)的研究產(chǎn)生積極影響。

傳統(tǒng)上，要使用現(xiàn)有的深度學(xué)習(xí)模型準(zhǔn)確分類新的腦波，需要從目標(biāo)對象收集大量腦波數(shù)據(jù)。然而，這個(gè)新開發(fā)的深度學(xué)習(xí)模型可以即使使用少量數(shù)據(jù)也能準(zhǔn)確分類腦波，這對于未來的腦波研究具有重要意義。

腦波數(shù)據(jù)因個(gè)體而異，即使在執(zhí)行相同任務(wù)時(shí)，不同人的腦波分布也會有所不同。因此，大多數(shù)現(xiàn)有的分類模型會收集來自執(zhí)行者的數(shù)據(jù)，并將其用于訓(xùn)練，重點(diǎn)放在了個(gè)體內(nèi)部的分類上。這意味著那些沒有參與訓(xùn)練的人的腦波不能使用這些分類模型進(jìn)行分類。

為了克服這一不足，研究人員積極進(jìn)行了“領(lǐng)域自適應(yīng)”模型的研究，其中深度學(xué)習(xí)模型用于推斷目標(biāo)對象的腦波信號。然而，這些模型仍然存在一個(gè)問題，即它們不能輕松應(yīng)用于新的對象，因?yàn)樗鼈冃枰獙W(xué)習(xí)這些對象的腦波數(shù)據(jù)。

此外，還有其他研究致力于優(yōu)化遷移學(xué)習(xí)模型，其中來自多個(gè)個(gè)體的腦波數(shù)據(jù)被用于訓(xùn)練，但由于仍然需要大量腦波數(shù)據(jù)，因此它們的可用性相對較低。

因此，研究團(tuán)隊(duì)開發(fā)了一種新的深度學(xué)習(xí)模型，可以根據(jù)從目標(biāo)對象腦波數(shù)據(jù)中獲得的少量數(shù)據(jù)的地面真實(shí)性來準(zhǔn)確分類腦波。為了有效地學(xué)習(xí)少量數(shù)據(jù)與其余腦波之間的關(guān)系，他們首先從腦波數(shù)據(jù)中提取了有意義的特征，然后使用時(shí)間注意模塊從提取的特征中突出顯示重要特征，同時(shí)減少不必要的噪音。

隨后，他們使用聚合注意模塊從給定的腦波數(shù)據(jù)中找到只有重要的數(shù)據(jù)，以識別目標(biāo)對象腦波中所代表的意圖特征。最后，他們使用關(guān)系模塊計(jì)算腦波特征與向量之間的關(guān)系。此外，他們還開發(fā)了腦波分類微調(diào)技術(shù)，以確保通過優(yōu)化準(zhǔn)確分類腦波。

研究團(tuán)隊(duì)開發(fā)的新深度學(xué)習(xí)模型在跨個(gè)體分類中使用20個(gè)腦波數(shù)據(jù)點(diǎn)時(shí)，對目標(biāo)對象的意圖表現(xiàn)出高達(dá)76%的分類準(zhǔn)確性?？紤]到先前提出的方法（個(gè)體內(nèi)部分類、遷移學(xué)習(xí)和其他小樣本學(xué)習(xí)方法）的準(zhǔn)確性為64%至73%，這個(gè)新開發(fā)的模型表現(xiàn)出了更高的性能。

Sanghyun Park教授表示:“本研究中開發(fā)的腦波分類深度學(xué)習(xí)模型能夠僅憑少量信息準(zhǔn)確分類腦波，無需重新構(gòu)建來自受試者的學(xué)習(xí)數(shù)據(jù)，因此有望為需要個(gè)性化的腦波研究做出貢獻(xiàn)。”他進(jìn)一步補(bǔ)充道:“我們的技術(shù)將進(jìn)一步提升，以在各種生物信號分析中更普遍地得到應(yīng)用?！?/p>

這項(xiàng)研究得到了韓國國家警察廳“面向警察官定制健康管理服務(wù)的智能大數(shù)據(jù)綜合平臺開發(fā)項(xiàng)目”和DGIST的“沉浸式人機(jī)多感官交互技術(shù)商業(yè)化項(xiàng)目”的支持，并已發(fā)表在IEEE Transactions on Neural Networks and Learning Systems上。

這一研究的突破性將有望在未來的醫(yī)療和腦機(jī)接口領(lǐng)域產(chǎn)生深遠(yuǎn)的影響，為更好理解和應(yīng)用腦波數(shù)據(jù)打開了新的可能性。

（舉報(bào)）