分布鲁棒的交叉受试者脑电解码
信号处理
2023-08-24 v1 人工智能
机器学习
摘要
近年来，深度学习已被证明对脑电（EEG）解码任务有效。然而，其性能可能受到两个关键因素的负面影响：1）信号中固有的高方差和不同类型的损坏，2）鉴于采集成本、标注成本和所需工作量，EEG 数据集通常相对较小。为缓解该问题的数据增强方法已得到实证研究的探讨，其基于领域知识专长手工设计了空间域、时域或频域上的增强操作。在本工作中，我们提出一种原则性方法，对数据进行动态演化以提升解码鲁棒性。该方法基于分布鲁棒优化（distributionally robust optimization），通过在演化数据分布族上优化而非单一训练数据分布来实现鲁棒性。我们推导了基于 Wasserstein 梯度流（WGF）的通用数据演化框架，并提供了该框架内的两种不同演化形式。直观上，演化过程有助于 EEG 解码器学习更鲁棒且多样的特征。值得一提的是，所提方法可轻易与其他数据增强方法集成以进一步提升性能。我们对所提方法进行了大量实验，并测试了其在不同类型损坏 EEG 信号上的性能。该模型在具有挑战性的解码场景中显著优于具有竞争力的基线。
引用
@article{arxiv.2308.11651,
title = {Distributionally Robust Cross Subject EEG Decoding},
author = {Tiehang Duan and Zhenyi Wang and Gianfranco Doretto and Fang Li and Cui Tao and Donald Adjeroh},
journal= {arXiv preprint arXiv:2308.11651},
year = {2023}
}
备注
ECAI 2023