换一批摘要稳态视觉诱发电位因其高信噪比与稳定性被广泛应用于脑-机接口领域.现今,基于深度学习的稳态视觉诱发电位频率识别算法面临数据量不足的问题,如何有效利用多中心数据训练模型成为一种潜在的解决方案.本研究提出了一种针对稳态视觉诱发电位识别算法的联邦学习算法框架FLSSVEP,以分布式训练的方式在3个客户端上实现模型的联合训练,在利用更多训练数据的同时避免侵犯数据隐私,从而缓解了数据量不足或数据分散对模型训练带来的影响.为验证所提出算法框架的有效性,在Benchmark和BETA两个公开数据集上使用EEGNet、CCNN、SSVEPFormer等3个常见模型作为基础模型开展详细的实验验证.实验结果表明,采用提出的FLSSVEP使得其中一个客户端上这些基础模型识别准确率平均提升了 33.82％,另外两个客户端识别准确率平均提升8.13％和6.05％,均优于基于传统的本地数据训练方式所得到的模型性能.本研究证实了联邦学习在稳态视觉诱发电位脑机接口算法设计中的有效性,为今后研究提供理论参考.
更多相关知识
关键词
脑机接口稳态视觉诱发电位联邦学习频率识别迁移学习brain-computer interfacessvepfederated learningfrequency recognitiontransfer learning
分类号
R318
栏目名称
DOI
10.3969/j.issn.0258-8021.2025.05.007
发布时间
2025-11-28（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（62076209）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
