Neues Verfahren verbessert SSVEP-BCI durch selbsttrainierte Domänenanpassung
Ein neues Forschungsverfahren aus dem Bereich der Gehirn‑Computer‑Interfaces (BCI) verspricht, die Genauigkeit von SSVEP‑basierten Systemen deutlich zu steigern. Durch die Kombination von Filter‑Bank‑Euclidean‑Alignment (FBEA) und einem zweistufigen Cross‑Subject Self‑Training (CSST) werden Signalvariabilitäten zwischen verschiedenen Nutzern reduziert und die Notwendigkeit kostenintensiver, benutzerspezifischer Annotationsdaten verringert.
Im ersten Schritt, der Pre‑Training‑with‑Adversarial‑Learning‑Phase (PTAL), werden die Verteilungen von Quell‑ und Ziel‑Daten ausgerichtet. Anschließend verbessert die Dual‑Ensemble Self‑Training‑Phase (DEST) die Qualität der Pseudo‑Labels, indem zwei unterschiedliche Modelle zusammenarbeiten. Ergänzend dazu sorgt ein Time‑Frequency Augmented Contrastive Learning‑Modul (TFA‑CL) dafür, dass die extrahierten Merkmale über verschiedene augmentierte Ansichten hinweg besser differenzierbar sind.
Umfangreiche Tests auf den Benchmark‑ und BETA‑Datensätzen zeigen, dass das neue Verfahren bei unterschiedlichen Signallängen den aktuellen Stand der Technik übertrifft. Damit eröffnet es neue Möglichkeiten für die Entwicklung benutzerfreundlicher, hochpräziser BCIs, die weniger auf individuelle Kalibrierung angewiesen sind.