Key points are not available for this paper at this time.
Au cours des dernières années, les méthodes d'apprentissage profond ont montré des capacités prometteuses pour extraire des caractéristiques informatives et discriminatives des données d'électroencéphalographie (EEG). Cependant, plusieurs études ont rapporté que le processus de sélection des caractéristiques suivi de l'extraction des caractéristiques peut être bénéfique pour obtenir une amélioration des performances. Bien qu'un travail récent ait obtenu des résultats prometteurs en utilisant un cadre d'apprentissage par renforcement (RL) à agent unique pour sélectionner des caractéristiques pertinentes pour la tâche dans le domaine temporel, il n'a toujours pas réussi à prendre en compte d'autres caractéristiques significatives dans le domaine spatial-spectral. Pour surmonter ces limites, nous proposons un cadre d'apprentissage par renforcement multi-agent (MARS) qui effectue la sélection de caractéristiques à la fois dans les domaines spatial-spectral et temporel simultanément pour une tâche de classification EEG d'imagerie motrice (MI). Dans ce cadre, nous permettons à nos agents RL de collaborer en tant qu'équipe pour résoudre un problème complexe de sélection de caractéristiques multi-objectifs. De plus, nous adoptons une fonction d'avantage contrefactuel pour surmonter le problème du passager clandestin, qui est associé à la question de l'attribution du crédit dans les cas multi-agents. Pour évaluer le cadre MARS, nous réalisons des expériences approfondies avec deux ensembles de données publics MI dans des scénarios dépendants et indépendants des sujets et nous appliquons le MARS à différents réseaux de base. Les résultats expérimentaux montrent que notre MARS surpasse d'autres méthodes concurrentes en termes de précision moyenne et atteint des améliorations statistiquement significatives.
Shin et al. (Jeu,) ont étudié cette question.