文章概要:
1. 研究团队成功开发了一种小样本学习模型，能够准确分类脑波，仅需少量信息。
2. 传统深度学习模型需要大量脑波数据，而新开发的模型可以即使使用少量数据也能准确分类脑波，有望推动脑波相关研究。
3. 研究团队采用了嵌入模块、时间注意模块、聚合注意模块和关系模块，成功提高了模型的分类准确性，为脑波研究提供了新的可能性。
站长之家(ChinaZ.com) 9月21日 消息:韩国Daegu科技大学（DGIST）机器人与机械工程系的Sanghyun Park教授领导的研究团队宣布，他们已经成功开发了一种小样本学习模型，仅需少量信息就能够准确分类脑波。这一突破性的研究可能会对未来与脑波相关的研究产生积极影响。
传统上，要使用现有的深度学习模型准确分类新的脑波，需要从目标对象收集大量脑波数据。然而，这个新开发的深度学习模型可以即使使用少量数据也能准确分类脑波，这对于未来的脑波研究具有重要意义。
脑波数据因个体而异，即使在执行相同任务时，不同人的脑波分布也会有所不同。因此，大多数现有的分类模型会收集来自执行者的数据，并将其用于训练，重点放在了个体内部的分类上。这意味着那些没有参与训练的人的脑波不能使用这些分类模型进行分类。
为了克服这一不足，研究人员积极进行了“领域自适应”模型的研究，其中深度学习模型用于推断目标对象的脑波信号。然而，这些模型仍然存在一个问题，即它们不能轻松应用于新的对象，因为它们需要学习这些对象的脑波数据。
此外，还有其他研究致力于优化迁移学习模型，其中来自多个个体的脑波数据被用于训练，但由于仍然需要大量脑波数据，因此它们的可用性相对较低。
因此，研究团队开发了一种新的深度学习模型，可以根据从目标对象脑波数据中获得的少量数据的地面真实性来准确分类脑波。为了有效地学习少量数据与其余脑波之间的关系，他们首先从脑波数据中提取了有意义的特征，然后使用时间注意模块从提取的特征中突出显示重要特征，同时减少不必要的噪音。
随后，他们使用聚合注意模块从给定的脑波数据中找到只有重要的数据，以识别目标对象脑波中所代表的意图特征。最后，他们使用关系模块计算脑波特征与向量之间的关系。此外，他们还开发了脑波分类微调技术，以确保通过优化准确分类脑波。
研究团队开发的新深度学习模型在跨个体分类中使用20个脑波数据点时，对目标对象的意图表现出高达76%的分类准确性。考虑到先前提出的方法（个体内部分类、迁移学习和其他小样本学习方法）的准确性为64%至73%，这个新开发的模型表现出了更高的性能。
Sanghyun Park教授表示:“本研究中开发的脑波分类深度学习模型能够仅凭少量信息准确分类脑波，无需重新构建来自受试者的学习数据，因此有望为需要个性化的脑波研究做出贡献。”他进一步补充道:“我们的技术将进一步提升，以在各种生物信号分析中更普遍地得到应用。”
这项研究得到了韩国国家警察厅“面向警察官定制健康管理服务的智能大数据综合平台开发项目”和DGIST的“沉浸式人机多感官交互技术商业化项目”的支持，并已发表在IEEE Transactions on Neural Networks and Learning Systems上。
这一研究的突破性将有望在未来的医疗和脑机接口领域产生深远的影响，为更好理解和应用脑波数据打开了新的可能性。
（举报）
