51黑料吃瓜在线观看,51黑料官网|51黑料捷克街头搭讪_51黑料入口最新视频

目的 基于深度學(xué)習(xí)的運(yùn)動(dòng)想像腦機(jī)接口技術(shù)在智能康復(fù)領(lǐng)域具有很好的發(fā)展前景。然而，運(yùn)動(dòng)想像腦電信號(hào)(motor imagery-electroencephalogram, MI-EEG)是一種非平穩(wěn)信號(hào)，其數(shù)據(jù)分布和特征空間會(huì)隨著康復(fù)進(jìn)程的推進(jìn)而發(fā)生變化，這會(huì)導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)模型的識(shí)別能力下降。為改善運(yùn)動(dòng)想像解碼模型對(duì)時(shí)間的自適應(yīng)性，本文提出一種基于知識(shí)蒸餾和注意力損失的時(shí)間增量學(xué)習(xí)系統(tǒng)(session-incremental learning system, SILS)。方法 首先，對(duì)運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行帶通濾波和下采樣等預(yù)處理，以增強(qiáng)與運(yùn)動(dòng)想象相關(guān)的信息；其次，設(shè)計(jì)一種多分支雙注意力多模塊卷積神經(jīng)網(wǎng)絡(luò)對(duì)多導(dǎo)聯(lián)MI-EEG進(jìn)行多尺度時(shí)間特征和空間特征的提取與整合，并基于注意力機(jī)制增強(qiáng)通道和空間維度的關(guān)鍵信息；然后，利用知識(shí)蒸餾技術(shù)及注意力損失改善增量時(shí)期解碼模型持續(xù)學(xué)習(xí)新知識(shí)和保留舊知識(shí)的能力；進(jìn)一步，基于最近鄰法挑選少量?jī)?yōu)質(zhì)舊樣本進(jìn)行數(shù)據(jù)回放，提升增量模型的抗遺忘性能力；最后，基于BCI Competition IV Dataset 2b公開(kāi)數(shù)據(jù)集進(jìn)行大量實(shí)驗(yàn)研究，通過(guò)可塑性和穩(wěn)定性兩項(xiàng)指標(biāo)驗(yàn)證SILS性能。結(jié)果 SILS對(duì)第1～5階段的數(shù)據(jù)依次取得79.21%、79.05%、89.06%、88.38%和88.47%的平均準(zhǔn)確率，第5階段的SILS對(duì)第1～4時(shí)段(session)數(shù)據(jù)的平均遺忘率分別為9.72%、9.10%、9.88%和6.04%。結(jié)論 SILS具有自動(dòng)調(diào)整模型參數(shù)，保持持續(xù)學(xué)習(xí)和自我更新的能力，表現(xiàn)出很好的時(shí)間適應(yīng)性和性能穩(wěn)定性。