基于双服务器联邦学习的运动想象脑电解码

摘要

针对脑电数据不足和数据异构导致运动想象解码性能下降，提出一种融合双服务器结构和多头注意力机制的联邦学习模型，实现异构脑电数据的运动想象多任务识别。通过欧几里得对齐，减少客户端数据分布差异。设计双服务器架构解决数据异构，服务器一选择并共享本地模型的最佳特征，将其作为全局共享资源改进客户端更新策略，解决客户端漂移问题；服务器二聚合本地模型参数，并进行全局参数微调训练，增强模型适应不同场景脑电数据异构的能力，提高全局模型的通用性。利用Transfomer多头自注意力，提高运动想象脑电的特征表示和模型学习能力。在BCI IV 2a脑机接口竞赛数据集上，该模型与联邦学习基准模型相比，脑电解码平均准确率提升了21.05百分点，Kappa值提升了0.283。在两个脑电数据集进行不同用户、不同环境和设备的跨数据集测试，脑电解码分别获得了71.13%和86.63%的平均准确率以及0.615和0.822的Kappa系数。结果表明：该模型在多用户、多设备且数据高度异构的场景下，运动想象脑电识别能够获得较好的性能，具有较强的泛化性。

关键词

运动想象脑电 / 数据异构 / 联邦学习 / 双服务器架构 / 多头自注意力