Exploring transfer-learning with TCN-encoders using movement related cortical potentials in single-trials
Authors
Krog, Rasmus Sønder ; Katona, Andrei-Ioan
Term
4. term
Education
Publication year
2022
Abstract
Denne afhandling undersøger, om bevægelsesrelaterede kortikale potentialer (MRCP) fra enkeltforsøg kan bruges til at overføre en trænet klassifikationsmodel mellem personer og dermed reducere behovet for tidskrævende, individuelt mærkede træningsdata. Tre raske, højrehåndede mænd udførte gentagne reach-to-grasp-bevægelser, mens EEG (10 kanaler over primær motorisk cortex, 1200 Hz) og EMG fra den dominante arm blev optaget samtidigt. EMG-signalerne blev højpasfiltreret (80 Hz) og brugt til at identificere bevægelsesstart, hvorefter EEG blev båndpasfiltreret (0,05–5 Hz) og segmenteret i aktive vinduer (−1 til +1 s omkring justeret bevægelsesstart) og hvilevinduer (−4 til −2 s). En temporal konvolutionsnetværks-encoder (TCN) med en tæt klassifikator blev først trænet på en hovedpersons mærkede data og opnåede i gennemsnit omkring 0,77 i nøjagtighed på tværs af datasæt. Som baseline blev denne model anvendt direkte på øvrige deltagere og leverede lavere præcision. For at muliggøre overførsel uden labels blev encoderen dernæst tilpasset til sekundære personer ved hjælp af en generativ adversarial netværksopsætning, hvilket forbedrede krydssubjekt-klassifikationen i forhold til baseline og reducerede tabet, men stadig ikke matchede nøjagtigheden fra fuldt individ-specifik træning. Resultaterne viser, at GAN-baseret transfer learning med TCN-encodere kan gøre MRCP-klassifikation mere skalerbar på tværs af brugere, med en accepterbar præcisionsafvejning for at mindske behovet for laboratoriemærkning.
This thesis investigates whether movement-related cortical potentials (MRCPs) from single trials can enable transferring a trained classifier between people, thereby reducing the need for time-consuming, individually labeled training data. Three healthy, right-handed male participants performed repeated reach-to-grasp movements while EEG (10 channels over primary motor cortex at 1200 Hz) and EMG from the dominant arm were recorded simultaneously. EMG was high-pass filtered (80 Hz) to estimate movement onset, EEG was band-pass filtered (0.05–5 Hz), and segments were labeled as active (−1 to +1 s around the adjusted onset) or rest (−4 to −2 s). A temporal convolutional network (TCN) encoder with a dense classifier was first trained on labeled data from a main subject and achieved an average accuracy of about 0.77 across datasets. As a baseline for transfer, this model was applied directly to other participants and performed worse. To enable label-free transfer, the encoder was then adapted to secondary subjects using a generative adversarial network setup, which improved cross-subject classification over the baseline and reduced loss, though it did not reach the accuracy of fully subject-specific training. The results indicate that GAN-based transfer learning with TCN encoders can make MRCP classification more scalable across users, offering a practical accuracy trade-off to reduce reliance on lab-based labeling.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents