个性化脑电解码新突破：准确率超集中式训练，参数传输更少！
Personalised federated learning for Riemannian and Euclidean EEG decoding
📖 AI 总结
该研究探讨了联邦学习在脑电（EEG）解码中的应用，针对受试者间差异导致单一共享模型难以适配个体的问题，提出个性化联邦学习方案。作者以黎曼空间的SPDNet和欧氏空间的EEGNet两种轻量解码器为对象，将模型拆分为共享主干与个体分类头，让所有受试者共同学习主干、各自保留分类头。实验在三个运动想象数据集上展开，覆盖不同通道数、受试者规模和类别数的场景。结果显示，个性化SPDNet的准确率优于标准联邦学习和集中式训练，收敛轮次更少，通信参数量也更低；在三个数据集中的两个上，其表现超过所有EEGNet配置，但集中式EEGNet仍优于集中式SPDNet。该工作表明，个性化联邦学习能有效缓解脑电解码中的个体差异问题，在保护数据隐私的同时提升模型性能与通信效率。
🔑 关键词速览
| 联邦学习 (Federated Learning, FL) | 一种分布式机器学习范式，允许多个参与方在不共享原始数据的情况下协作训练模型。 |
| 黎曼SPDNet (Riemannian SPDNet) | 一种基于黎曼几何的神经网络，用于处理对称正定（SPD）矩阵，常用于脑电信号解码。 |
| 欧几里得EEGNet (Euclidean EEGNet) | 一种轻量级卷积神经网络，专为脑电信号分类设计，在欧几里得空间中操作。 |
| 个性化联邦学习 (Personalised FL) | 联邦学习的一种变体，在全局共享模型的基础上为每个客户端保留个性化部分，以适应数据分布差异。 |
| 运动想象 (Motor Imagery, MI) | 一种脑机接口范式，受试者想象肢体运动而不实际执行，产生可分类的脑电模式。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅