用于脑机接口的置信感知受试者间迁移学习
人机交互
2022-02-08 v2 人工智能
机器学习
信号处理
摘要
脑电图（EEG）的受试者间/受试者内变异性使得脑机接口（BCI）的实际应用十分困难。一般而言，BCI系统每次使用时都需要校准过程来调整模型。该问题被公认为BCI的主要障碍，为克服它，基于迁移学习（TL）的方法近来涌现。然而，许多BCI范式存在局限：其结构为先呈现标签再测量“想象”，并且在许多受试者间TL过程中，包含无控制信号数据的源受试者的负面影响常被忽视。本文的主要目的在于提出一种排除预计对受试者间TL训练有负面影响的受试者的方法，而此类训练通常使用尽可能多的受试者数据。在本文中，我们提出了一种仅使用高置信度受试者进行TL训练的BCI框架。在我们的框架中，深度神经网络利用基于小损失技巧的协同教学算法，为TL过程筛选有用受试者并排除噪声受试者。我们在两个公开数据集（2020国际BCI竞赛track 4与OpenBMI数据集）上进行了留一受试者交叉验证。实验结果表明，选择小损失样本的置信感知TL提升了BCI的泛化性能。
引用
@article{arxiv.2112.09243,
title = {Confidence-Aware Subject-to-Subject Transfer Learning for Brain-Computer Interface},
author = {Dong-Kyun Han and Serkan Musellim and Dong-Young Kim and Ji-Hoon Jeong},
journal= {arXiv preprint arXiv:2112.09243},
year = {2022}
}
备注
Submitted to 2022 10th IEEE International Winter Conference on Brain-Computer Interface