Ein neues Framework namens RMETNet erreicht in Studien zur motorischen Bildgebung mit Elektroenzephalogramm (MI‑EEG) höhere Genauigkeiten sowohl im cross‑subject‑ als auch im subject‑dependent‑Setting. Die Methode kombiniert spatio‑temporale Konvolutionen, Riemannsche Geometrie‑Features und eine Domänenadaptierung, um Unterschiede zwischen Probanden zu reduzieren.
Herausforderung der Inter‑Subjekt‑Variabilität
Die Analyse von MI‑EEG‑Signalen leidet häufig unter großen Unterschieden zwischen einzelnen Probanden, wodurch tief‑neuronale Modelle schlecht auf neue Nutzer übertragbar sind. Dieses Problem erschwert den breiten Einsatz von Brain‑Computer‑Interfaces (BCIs) in natürlichen Interaktionsszenarien.
Architektur von RMETNet
RMETNet integriert drei Hauptkomponenten: TSLANet, ein spatio‑temporales Faltungsmodul, das Rauschen unterdrückt und komplexe zeitliche Muster erfasst; ein zusätzlicher spatio‑temporaler Konvolutionsblock, der höhere Repräsentationen extrahiert; sowie einen Riemannschen Zweig, der geometriebasierte Verteilungsmerkmale über Probanden hinweg lernt. Die Ausgaben beider Pfade werden zu einem gemeinsamen Merkmalsvektor fusioniert, der anschließend klassifiziert wird.
Domänenadaptierung mittels MMD
Um die Verteilungssprünge zwischen Quell‑ und Ziel‑Domänen zu verringern, nutzt RMETNet den Maximum Mean Discrepancy (MMD)‑Loss. Dieser Verlust terminiert die Merkmalsverteilungen beider Domänen, sodass das Modell robust gegenüber inter‑subjektiven Unterschieden wird.
Ergebnisse auf BCICIV2a
Im vier‑klassigen BCI Competition IV 2a‑Datensatz (BCICIV2a) erzielt RMETNet eine Genauigkeit von 71,39 % im cross‑subject‑Setting und 80,71 % im subject‑dependent‑Setting. Diese Werte übertreffen die Leistungen etablierter Baseline‑Algorithmen deutlich.
Ergebnisse auf BCICIV2b
Auf dem zweiklassigen BCI Competition IV 2b‑Datensatz (BCICIV2b) erreicht das Modell 80,93 % Genauigkeit im cross‑subject‑Setting und 86,76 % im subject‑dependent‑Setting, was ebenfalls bessere Resultate als die Vergleichsverfahren liefert.
Vergleich mit bestehenden Verfahren
Verglichen mit gängigen Deep‑Learning‑Ansätzen und traditionellen Klassifikatoren weist RMETNet durchgehend höhere Genauigkeiten auf, insbesondere in Szenarien mit begrenzten Trainingsdaten pro Proband.
Zusätzliche Analysen
Ablationsstudien zeigen, dass sowohl das TSLANet‑Modul als auch die Riemannsche Feature‑Extraktion entscheidend zur Leistungssteigerung beitragen. Visualisierungen der Merkmalsräume bestätigen eine reduzierte Streuung zwischen Quell‑ und Ziel‑Domänen nach Anwendung des MMD‑Loss.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access).
Ende der Ăśbertragung