运动想象迁移学习系列:EEGNet-Fine tuning
论文地址:https://www.nature.com/articles/s41598-021-99114-1#citeas
论文题目:A transfer learning framework based on motor imagery rehabilitation for stroke
论文代码:无
0. 引言
深度学习网络已成功应用于传递函数,使模型可以从源域适应到不同的目标域。本研究利用多个卷积神经网络对脑卒中患者的脑电图(EEG)进行解码,设计有效的运动意象(MI)脑机接口(BCI)系统。这项研究引入了 “微调” 来传输模型参数并减少训练时间。所提出的框架的性能是通过模型的两类MI识别能力来评估的。
总得来说:这是一篇较老的文章,进一步说明了EEGNet模型的普适性与优越性(效果好且稳定
)。
1. 主要贡献
- 比较多个模型的实验结果,可以推断
EEGNet
是所有框架中迁移学习的最佳网络模型
。 - 实验表明,迁移学习可以有效提高脑机接口系统对脑卒中患者康复的性能,也证明了所提框架的有效性和鲁棒性。