面向会话无关脑机接口的领域泛化
人机交互
2020-12-08 v1
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。通常,BCI 系统需要校准流程以每次使用时获取受试者/会话特定数据来调整模型。该问题被公认为 BCI 的主要障碍,为克服它,基于领域泛化(DG)的方法近来崭露头角。本文主要目的是从 DG 任务视角重新思考如何克服现实情形下 BCI 的零校准问题。就现实情形而言,我们聚焦于构建可直接应用于未见会话的 EEG 分类框架,仅使用先前获取的多受试者/多会话数据。因此,本文中我们通过留一会话交叉验证测试了四种深度学习模型与四种 DG 算法。实验表明,更深更大的模型对跨会话泛化性能有效。此外,我们发现显式 DG 算法均未能超越经验风险最小化。最后,通过比较使用受试者特定数据的微调结果,我们发现因会话间变异性,受试者特定数据可能损害未见会话分类性能。
引用
@article{arxiv.2012.03533,
title = {Domain Generalization for Session-Independent Brain-Computer Interface},
author = {Dong-Kyun Han and Ji-Hoon Jeong},
journal= {arXiv preprint arXiv:2012.03533},
year = {2020}
}
备注
Submitted IEEE The 9th International Winter Conference on Brain-Computer Interface