2021年BEETL竞赛：推进面向受试者独立性与异质EEG数据集的迁移学习
信号处理
2022-03-01 v1 人工智能
机器学习
摘要
迁移学习与元学习为释放由生物信号数据驱动的医疗与消费技术的可扩展性提供了最有前景的途径。这是因为当前方法无法在受试者数据间良好泛化，也难以处理来自不同异质采集数据集的学习，从而限制了训练数据规模。另一方面，迁移学习的发展将显著受益于具有直接实际应用的真实世界基准。因此，我们选取脑电图（EEG）作为体现生物信号机器学习难点的范例。我们围绕诊断与脑机接口（BCI）设计了两项迁移学习挑战，其必须在低信噪比、受试者间巨大差异、数据记录会话与技术差异、甚至数据集中特定BCI任务间差异的情况下被解决。任务1聚焦于医疗诊断领域，解决跨受试者的自动睡眠分期标注。任务2聚焦于脑机接口（BCI），解决跨受试者与跨数据集的运动想象解码。BEETL竞赛吸引了30余支参赛队伍，其3个获奖方案使人们关注到深度迁移学习以及集合论与传统机器学习技术相结合克服上述挑战的潜力。结果在真实世界BEETL基准上确立了新的最先进水平。
引用
@article{arxiv.2202.12950,
title = {2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets},
author = {Xiaoxi Wei and A. Aldo Faisal and Moritz Grosse-Wentrup and Alexandre Gramfort and Sylvain Chevallier and Vinay Jayaram and Camille Jeunet and Stylianos Bakas and Siegfried Ludwig and Konstantinos Barmpas and Mehdi Bahri and Yannis Panagakis and Nikolaos Laskaris and Dimitrios A. Adamos and Stefanos Zafeiriou and William C. Duong and Stephen M. Gordon and Vernon J. Lawhern and Maciej Śliwowski and Vincent Rouanne and Piotr Tempczyk},
journal= {arXiv preprint arXiv:2202.12950},
year = {2022}
}
备注
PrePrint of the NeurIPS2021 BEETL Competition Submitted to Proceedings of Machine Learning Research (PMLR)