基于知识蒸馏的相位不变特征提取用于零校准脑机接口的领域泛化
人机交互
2024-05-21 v1 信号处理
摘要
脑电图（EEG）数据的分布迁移导致脑机接口（BCI）在未见域中的泛化性能差。一些方法通过收集用户数据的一部分进行校准来解决这一挑战，但该过程耗时、会导致认知疲劳且对用户不友好。为实现零校准BCI，大多数研究采用域泛化（DG）技术，在训练集中学习跨不同域的不变特征。然而，这些方法未能充分探索同一域内的不变特征，导致性能受限。本文提出一种新方法，从域内和域间两个角度学习域不变特征。对于域内不变特征，我们提出一种知识蒸馏框架，用于在单个域内提取EEG相位不变特征。对于域间不变特征，则采用相关对齐技术跨多个域弥合分布差异。在三个公开数据集上的实验结果验证了本方法的有效性，展示了最先进的性能。据我们所知，这是首个将傅里叶相位信息作为域内不变特征以促进EEG泛化的域泛化研究。更重要的是，基于域间和域内不变特征的零校准BCI具有显著潜力，推动BCI在实际应用中的普及。
引用
@article{arxiv.2405.11163,
title = {Domain Generalization for Zero-calibration BCIs with Knowledge Distillation-based Phase Invariant Feature Extraction},
author = {Zilin Liang and Zheng Zheng and Weihai Chen and Xinzhi Ma and Zhongcai Pei and Xiantao Sun},
journal= {arXiv preprint arXiv:2405.11163},
year = {2024}
}