一种用于 EEG 分类中迁移学习的多目标优化方法
信号处理
2019-04-09 v1 人机交互
机器学习
神经与进化计算
摘要
在脑机接口（BCI）中，由于脑电图（EEG）的受试者间非平稳性，分类器使用同一受试者的 EEG 进行训练和测试。当身体残疾制约了执行任务的自然方式时，充足训练数据的获取十分困难，这实际阻碍了分类器训练。已有工作通过将多个受试者（包括测试受试者）的特征空间泛化来解决该问题。本工作旨在利用由另一单位源受试者 EEG 训练的分类器，将知识迁移以分类目标受试者的 EEG。我们提出一种多目标优化框架，其中获得最优权重用于将特征投影到另一维度，使得经修正特征后的单源训练目标 EEG 分类性能最大化。为验证该方法，使用基于功率谱密度的特征和线性支持向量机对 BCI Competition III Dataset IVa 的运动想象任务进行分类。若干性能指标、准确率提升、对投影空间维度的敏感性评估了所提方法的有效性。解决单源训练通过减少他人协助来促进残障人士的独立生活。所提方法消除了对多源受试者 EEG 的需求，并适用于任何现有的特征提取器和分类器。源代码见 http://worksupplements.droppages.com/tlbci.html。
引用
@article{arxiv.1904.04156,
title = {A Many Objective Optimization Approach for Transfer Learning in EEG Classification},
author = {Monalisa Pal and Sanghamitra Bandyopadhyay and Saugat Bhattacharyya},
journal= {arXiv preprint arXiv:1904.04156},
year = {2019}
}
备注
Pre-submission work