AM-MTEEG: Multi-task EEG classification based on impulsive associative memory

这篇文章讨论了基于脑电图的脑机接口（BCI）在各个领域的潜在应用，但是它们的发展受到有限的数据和显著的跨个体变异的影响。受人类海马体学习和记忆原理的启发，我们提出了一个多任务（MT）分类模型，称为AM-MTEEG，它将基于学习的脉冲神经表示与双向联想记忆（AM）相结合，用于跨个体BCI分类任务。该模型将每个个体的EEG分类视为独立任务，并促进个体之间的特征共享。我们的模型由一个脉冲神经群体和一个卷积编码器-解码器组成，用于提取共享特征，以及一个双向联想记忆矩阵，将特征映射到类别。在两个BCI竞赛数据集上的实验结果表明，我们的模型相对于最先进的模型提高了平均准确率，并减少了个体之间的性能差异，而双向联想记忆重构的波形为模型的分类结果提供了可解释性。我们模型中的神经元放电模式高度协调，类似于海马神经元的神经编码，表明我们的模型具有生物相似性。

论文旨在解决脑机接口中数据量有限和跨个体变异性大的问题。同时，试图结合学习和记忆的原理，提出一种多任务分类模型。

论文提出了一种多任务分类模型AM-MTEEG，将学习基于脉冲神经表示的特征提取和双向联想记忆相结合，实现跨个体的脑电信号分类任务，提高了平均准确率，降低了个体差异性。

论文在两个脑机接口竞赛数据集上进行了实验，结果表明AM-MTEEG模型相对于现有模型具有更好的性能和可解释性。模型的神经元放电模式高度协调，类似于海马神经元的编码方式，具有生物相似性。

近期在这个领域中，还有一些相关的研究，例如：《A Deep Learning Approach to Motor Imagery Classification Using Attention-Based Bidirectional Recurrent Neural Networks》、《A Hybrid BCI System Combining P300 and SSVEP and Its Application to Wheelchair Control》等。