Unsupervised Adaptation of DNN for Brain-Computer Interface Spellers
Notice bibliographique
Résumé
Brain-computer interface (BCI) spellers, based on the steady-state evoked potentials (SSVEP), significantly contribute to the communication of individuals with neuromuscular disorders. These systems aim to predict a target character that a user is intended to spell as fast as possible while maintaining high accuracy. Accordingly, target character identification methods aim to reach the high information transfer rate (ITR). Methods reaching high ITR values in the literature use participants’ labeled data for user calibration, which requires long and exhausting experiments for every individual that will use the speller. In this study, we developed a method that does not require labeled data from the new users; as the system is used it utilizes the accumulated unlabeled data effectively. Our method transfers the information obtained from previous users to the new user by training a deep neural network (DNN). Afterward, it uses accumulated unlabeled data of the new user to adapt the transferred DNN to that user. Adaptation is performed by assuming the DNN model’s predicted target labels on the data as correct. And the model is updated in every iteration by utilizing dropout layers. Our method is compared with online template transfer canonical correlation analysis (OTT-CCA) and adaptive combined transfer canonical correlation analysis (Adaptive-C3A) methods. The comparison is performed on two large publicly available datasets (benchmark and BETA) for signal lengths between 0.2 − 1.0 seconds (s). The results have shown that our method reached approximately 5% higher maximum ITR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».