مروری بر جمع آوری اطلاعات ذاتی برای بهبود عملکرد رابط مغز و رایانه ازطریق یادگیری فدره

در پژوهش پیش رو، مروری بر چالش ناکافی بودن داده ها برای ساخت مدل های یادگیری عمیق رابط بین مغز و رایانه BCI وراهکارهای حل این چالش انجام شده است. این چالش به دلیل تنوع دستگاه ها و به اشتراک گذاری داده های EEG همچنان یک مشکل عمدهاست. یکی از روش های حل این مشکل چارچوب نوآورانه ای با نام " Federated Learning EEG decoding (FLEEG) " است که به داده های بافرمتهای مختلف اجازه می دهد تا در فرآیند آموزش مدل با هم همکاری کنند. در این روش به هر مشتری به یک مجموعه داده خاص اختصاصداده می شود و توسط یک مدل شخصی سلسله مراتبی برای مدیریت فرمت های متنوع تبادل اطلاعات را آموزش می بیند. در عین حال، سرورفرآیند آموزش را هماهنگ می کند تا از دانش به دست آمده از تمام مجموعه های داده بهره برداری کند و عملکرد کلی را ارتقا دهد. این چارچوبدر طبقه بندی تخیل حرکت MI با ۹ مجموعه داده EEG که توسط دستگا ه های مختلف جمع آوری شده اند، مورد ارزیابی قرار می گیرند. نتایجنشان داده است که این چارچوب پیشنهادی می تواند عملکرد طبقه بندی را تا ۸.۴ ٪ با به اشتراک گذاری دانش بین چندین مجموعه داده، به ویژهبرای مجموعه های کوچک تر، افزایش دهد. نتایج تصویری همچنین نشان می دهد که این چارچوب پیشنهادی می تواند مدل های محلی را قادر بهتمرکز پایدار در مناطق مرتبط با وظیفه کند و عملکرد بهتری داشته باشد

کلیدواژه ها:

یادگیری عمیق ، یادگیری فدره ، رابط مغز رایانه ، هوش مصنوعی