针对基于发音想象的脑机接口样本数据数量小、数据噪声大，导致模型泛化能力差的问题，提出一种基于跨模态信息迁移的发音想象脑电信号分类方法。该方法通过知识蒸馏，将音频模态信息迁移到脑电模态，从而提高模型的泛化能力；通过多尺度学习来提高模型性能。在数据集Kara One中，两个二分类任务的AUC分别为68.28%和69.53%。实验结果表明，该方法有效地提高了模型的性能。
科研之友
微信
新浪微博
Facebook
分享链接
