بهبود عملکرد رابط مغز و رایانه با استفاده از یادگیری فدره: یک رویکرد نوین

در این پژوهش، چالش های مرتبط با کمبود داده ها در توسعه مدل های یادگیری عمیق برای رابط های مغز و رایانه (BCI) بررسی شده و یک روش مبتنی بر یادگیری فدره (FLEEG) برای حل این مشکل پیشنهاد شده است. روش پیشنهادی از طریق ادغام داده های پراکنده و تبادل دانش میان مجموعه های داده مختلف، کارایی مدل های پردازش EEG را افزایش می دهد. در ارزیابی های انجام شده، این روش توانسته است دقت طبقه بندی را تا ۸.۴٪ بهبود بخشد که بهویژه برای مجموعه داده های کوچک اهمیت قابل توجهی دارد. نتایج نشان می دهند که چارچوب پیشنهادی می تواند مدل های محلی را قادر سازد تا تمرکز بهتری بر ویژگی های مرتبط با وظایف مشخص داشته باشند.

کلیدواژه ها:

رابط مغز و رایانه ، یادگیری عمیق ، یادگیری فدره ، EEG ، دقت طبقه بندی