用于离线 BCI 校准的主动半监督迁移学习 (ASTL)
机器学习
2020-04-02 v1 人机交互
机器学习
摘要
脑电信号 (EEG) 中事件相关电位的单次试验分类是脑机接口 (BCI) 的一个非常重要的范式。由于个体差异，通常需要一些特定于受试者的校准数据来为每个受试者调整分类器。迁移学习已被广泛用于通过利用来自相似/相关受试者/任务的辅助数据来减少此类校准数据需求。然而，所有先前的研究都假设所有辅助数据均已标注。本文考虑了一种更一般的场景，其中部分辅助数据可能未标注。我们提出了一种用于离线 BCI 校准的主动半监督迁移学习 (ASTL)，它集成了主动学习、半监督学习和迁移学习。使用视觉诱发电位 oddball 任务和三种不同的 EEG 头戴设备，我们证明 ASTL 在不同受试者和头戴设备上均能持续取得良好性能，并且优于文献中的一些 SOTA 方法。
引用
@article{arxiv.1805.05781,
title = {Active Semi-supervised Transfer Learning (ASTL) for Offline BCI Calibration},
author = {Dongrui Wu},
journal= {arXiv preprint arXiv:1805.05781},
year = {2020}
}
备注
IEEE Int'l. Conf. on Systems, Man and Cybernetics, Banff, Canada, 2017. arXiv admin note: substantial text overlap with arXiv:1702.02897