本文提出了一种名为RGDDANet的新型脑机接口（BCI）分类方法，结合黎曼几何和深度域自适应解决跨会话运动意象（MI）分类问题。通过一维卷积提取时空特征，利用SPD矩阵均值差异损失（SMMDL）对齐不同域的数据分布，提高了分类性能。实验结果表明，RGDDANet在与基线模型比较及不同域损失比较中表现出优越性能。
运动想象分类学习系列:RGDDANet
论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0957417423021140
论文题目：A cross-session motor imagery classification method based on Riemannian geometry and deep domain adaptation
论文代码：暂无
0. 引言
深度学习的运用提高了运动意象（MI）的分类精度，但脑机接口（BCI）应用中标定时间长的问题仍未得到解决。为了解决这个问题，我们提出了一种新的黎曼几何和深度域自适应网络（RGDDANet） 用于MI分类。具体而言，设计了两个一维卷积从脑电信号中提取时间和空间特征，然后利用空间协方差矩阵将提取的特征映射到黎曼流形进行处理。为了对齐黎曼流形上的源特征和目标特征分布，我们提出了一种对称正定（SPD）矩阵平均差异损失（SMMDL） 来最小化两个域之间的距离。
图形摘要：
订阅专栏 解锁全文
742
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
