一种用于受试者迁移脑机接口的半监督元学习方法
信号处理
2022-09-09 v1 人工智能
人机交互
机器学习
摘要
脑机接口（BCI）提供了人脑与外部设备之间的直接通信通路。在新受试者使用 BCI 之前，通常需要进行校准。由于受试者间和受试者内的差异非常大，现有受试者训练的模型在新受试者上表现很差。因此，有效的受试者迁移与校准方法至关重要。本文提出一种用于 BCI 中受试者迁移学习的半监督元学习（SSML）方法。所提出的 SSML 首先利用现有受试者学习一个元模型，然后以半监督学习方式对模型进行微调，即使用目标受试者的少量有标签样本和大量无标签样本进行校准。这对于标注数据稀缺或昂贵而无需标注数据易于获取的 BCI 应用具有重要意义。为验证 SSML 方法，测试了三种不同的 BCI 范式：1）事件相关电位检测；2）情绪识别；3）睡眠分期。SSML 在前两种范式上取得了超过 15% 的显著提升，在第三种上提升了 4.9%。实验结果证明了 SSML 方法在 BCI 应用中的有效性与潜力。
引用
@article{arxiv.2209.03785,
title = {A Novel Semi-supervised Meta Learning Method for Subject-transfer Brain-computer Interface},
author = {Jingcong Li and Fei Wang and Haiyun Huang and Feifei Qi and Jiahui Pan},
journal= {arXiv preprint arXiv:2209.03785},
year = {2022}
}