基于协变量偏移估计的自适应集成学习用于处理运动想象相关基于 EEG 的脑机接口中的非平稳性
机器学习
2018-05-04 v1 机器学习
摘要
脑电（EEG）信号的非平稳性使得基于 EEG 的脑机接口（BCI）成为一个动态系统，因此提高其性能是一项具有挑战性的任务。此外，众所周知，由于非平稳性引起的协变量偏移（covariate shift），基于 EEG 的 BCI 系统的输入数据分布在会话间和会话内转换期间发生变化，这给在线自适应数据驱动系统的开发带来了巨大困难。集成学习方法此前已被用于应对这一挑战。然而，基于被动方案的实现效率低下，同时增加了高昂的计算成本。本文提出了一种协变量偏移估计与无监督自适应集成学习相结合的新方法（CSE-UAEL），以解决运动想象（MI）相关 EEG 分类中的非平稳性问题。该方法首先采用指数加权移动平均模型来检测从 MI 相关大脑响应中提取的共空间模式特征中的协变量偏移。然后，创建一个分类器集成并随时间更新以适应流式输入数据分布的变化，其中根据估计的偏移向集成中添加新的分类器。此外，使用两个公开的 BCI 相关 EEG 数据集，将所提出的方法与最先进的基于单分类器的被动方案、基于单分类器的主动方案以及基于集成的被动方案进行了广泛比较。实验结果表明，所提出的基于主动方案的集成学习算法显著增强了 BCI 在 MI 分类中的性能。
引用
@article{arxiv.1805.01044,
title = {Covariate Shift Estimation based Adaptive Ensemble Learning for Handling Non-Stationarity in Motor Imagery related EEG-based Brain-Computer Interface},
author = {Haider Raza and Dheeraj Rathee and ShangMing Zhou and Hubert Cecotti and Girijesh Prasad},
journal= {arXiv preprint arXiv:1805.01044},
year = {2018}
}
备注
28 Pages, 3 figures, Neurocomputing