运动想象 (MI) 迁移学习系列 (14) : 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

1. 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。
2. 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。

2. 提出的方法

2.1 EEGNet框架

<