利用在线加权适应正则化回归（OwARR）从EEG信号进行驾驶员嗜睡估计
机器学习
2020-02-13 v1 人机交互
摘要
阻碍脑机接口（BCIs）从实验室环境过渡到实际应用的的一大挑战是缺乏能够有效处理个体差异的高性能且鲁棒的学习算法，即可以应用于具有零或极少受试者特定校准数据的新受试者的算法。迁移学习和域适应已广泛用于此目的。然而，大多数先前工作聚焦于分类问题。本文考虑BCI中一个重要的回归问题，即基于EEG信号的在线驾驶员嗜睡估计。通过集成模糊集与域适应，我们提出了一种新颖的在线加权适应正则化回归（OwARR）算法，以减少受试者特定校准数据量，同时还提出一种源域选择（SDS）方法，以节省OwARR约一半的计算成本。使用包含15名受试者的模拟驾驶数据集，我们表明OwARR和OwARR-SDS可以实现比几种其他方法显著更小的估计误差。我们还对OwARR和OwARR-SDS的鲁棒性提供了全面分析。
引用
@article{arxiv.1702.02901,
title = {Driver Drowsiness Estimation from EEG Signals Using Online Weighted Adaptation Regularization for Regression (OwARR)},
author = {Dongrui Wu and Vernon J. Lawhern and Stephen Gordon and Brent J. Lance and Chin-Teng Lin},
journal= {arXiv preprint arXiv:1702.02901},
year = {2020}
}
备注
in press