Bayesian Signal Matching for Transfer Learning in ERP-Based Brain Computer Interface
ERP 脑机接口迁移学习中的贝叶斯信号匹配AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦 EEG 分类与脑机接口迁移学习，没有所列经济计量细分的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
ERP 脑机接口迁移学习中的贝叶斯信号匹配
- 研究问题
- ERP 脑机接口如何借助其他参与者的 EEG 数据校准新参与者，减少个体训练负担，并在参与者信号存在差异时避免不恰当的信息共享？
- 方法与思路
- 作者提出贝叶斯信号匹配框架，以层次混合模型描述源参与者的刺激特异 EEG 信号，相似参与者共享参数，否则保留各自参数。
- 材料陈述的贡献
- 摘要称，框架可推广至其他具有参数形式的基础分类器，并用模拟和神经退行性疾病参与者数据展示优势，但未给出量化比较结果。
- 阅读关注点
- 应核对相似性及聚类判定、目标参与者与源数据的参数共享方式、基线簇预测规则，以及校准时间和预测准确率的验证设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，模型细节、比较基准和优势大小未说明，无法判断跨人群迁移的稳定性或临床适用范围。
原文摘要
An Event-Related Potential (ERP)-based Brain-Computer Interface (BCI) Speller System assists people with disabilities to communicate by decoding electroencephalogram (EEG) signals. A P300-ERP embedded in EEG signals arises in response to a rare, but relevant event (target) among a series of irrelevant events (non-target). Different machine learning methods have constructed binary classifiers to detect target events, known as calibration. The existing calibration strategy uses data from participants themselves with lengthy training time. Participants feel bored and distracted, which causes biased P300 estimation and decreased prediction accuracy. To resolve this issue, we propose a Bayesian signal matching (BSM) framework to calibrate EEG signals from a new participant using data from source participants. BSM specifies the joint distribution of stimulus-specific EEG signals among source participants via a Bayesian hierarchical mixture model. We apply the inference strategy. If source and new participants are similar, they share the same set of model parameters; otherwise, they keep their own sets of model parameters; we predict on the testing data using parameters of the baseline cluster directly. Our hierarchical framework can be generalized to other base classifiers with parametric forms. We demonstrate the advantages of BSM using simulations and focus on the real data analysis among participants with neuro-degenerative diseases. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.