BDAN：通过生成式桥接域缓解跨被试运动想象分类中的电极间时序差异
人机交互
2024-04-17 v1 机器学习
摘要
由于“实验设置和条件的不可重复性”以及“被试间脑模式的变异性”，跨被试运动想象（MI）研究中不同会话和电极间的数据分布存在差异，最终降低了分类模型的性能。基于现有研究的系统总结，本文研究了在个体内和个体间两种场景下的一种新型时序-电极数据分布问题。针对所提出的问题，本文提出了一种新颖的桥接域适应网络（BDAN），旨在从电极的角度最小化跨会话的数据分布差异，从而提升和增强模型性能。在所提出的BDAN中，所有脑电图（EEG）数据的深度特征通过一个专门设计的空间特征提取器进行提取。利用获得的时空特征，建立一个特殊的生成式桥接域，将来自所有被试跨会话的数据连接起来。然后，使用定制的桥接损失函数最小化跨会话和电极的差异，并通过构建的桥接域自动迁移已知知识。为了展示所提BDAN的有效性，我们在一个公开的EEG数据集上进行了对比实验和消融研究。总体比较结果证明了所提出的BDAN相较于其他先进的深度学习和域适应方法具有优越的性能。
引用
@article{arxiv.2404.10494,
title = {BDAN: Mitigating Temporal Difference Across Electrodes in Cross-Subject Motor Imagery Classification via Generative Bridging Domain},
author = {Zhige Chen and Rui Yang and Mengjie Huang and Chengxuan Qin and Zidong Wang},
journal= {arXiv preprint arXiv:2404.10494},
year = {2024}
}