Mövzular arası EEG dekodlaşdırması daha çox təlim məlumatlarını vəd edir, lakin həmçinin sinir şəbəkələrini müvafiq subyektlər arasında güclü paylanma dəyişikliklərinə məruz qoyur. Biz tədqiqat edirik ki, yalnız vəzifə nəzarəti və memarlıq mövzuya uyğun təmsilləri öyrənə bilərmi. Paylaşılan EEG koderini mövzu xüsusi koderlərlə əvəz edirik və ümumi bir təsnifatçı ilə sonra bu hibrid modeli standart EEGNet, AttentionBaseNet və CTNet əsas xəttləri ilə üç motor görüntü məlumat dəstində və bir motor icra məlumat dəstində Euklid uyğunluğu (EA) ilə müqayisə edirik. EA, paylaşılan kodlaşdırmaları mövzu örtüklərini yeniləyərək yaxşılaşdırır, hibrid kodlaşdırma isə EA-ya olan etibarını azaldır: EA-nın aradan qaldırılması təsdiqlənmə itkisi dinamikası və ya latent məkan təşkilatına az təsir göstərir və hər iki hibrid variant daim uyğunlaşdırılmamış paylaşılan əsas xətləri üstün tutur. Subjektə aid başlıqlar sinif fərqlənməsini artırır və hər bir subyekti öz gizli müxtəlifliyinə yaxınlaşdırır və eyni zamanda subektlər arasında sinif ayrılığını yaxşılaşdırır. Bununla birlikdə, mövzular arası təsnifatda mövzu xüsusi başları görünməyən mövzulara birbaşa parametrlərin ötürülməsinə mane olur və miqyaslı baş seçimini və qısa kalibrasiya seansını təşviq edir. Dekodlaşdırma qazancları məlumat dəstindən və sırt dartmalarından asılı olsa da, əsas nəticələrimiz yalnız memarlıq təzyiqinin istifadəsi ilə əlaqədardir təmsilçiliyin öyrənilməsini və Euklid düzəliş kimi domen uyğunlaşdırma metodlarına tamamlayıcı bir istiqamətdə uyğunlaşmanı təşviq edir. Subjektə görə yalnız \(2\,C\,r\) parametrləri olan aşağı rütbəli adaptör beş arxa dişilikdə tam kodlaşdırıcı dəqiqliyini bərpa edir və r=1\) -dən 16-a qədərdir, beləliklə, subyektə görə modul iki ilə üç böyüklük sıralarına sıxıla bilər.
BJL, GS və RYC, São Paulo Tədqiqat Fonduna (FAPESP) maliyyə dəstəyi üçün təşəkkür edirlər (22/08920-0, 23/06407-7, 21/12645-2).
São Paulo Universiteti, São Paulo, Braziliya
Bruna J. Lopes, Gabriel Schwartz & Raphael Y. de Camargo
Inria TAU komandası, LISN-CNRS, Paris-Saclay Universiteti, Orsay, Fransa
Bruna J. Lopes, Sylvain Chevallier & Bruno Aristimunha
Xülasə — davamını mənbədə oxuyun.
