EEG-Reptile：基于 Reptile 的脑电信号元学习自动化库
机器学习
2025-01-22 v2
摘要
元学习（即“学习如何学习”）是一种有前景的 method，用于在数据有限的情况下高效训练 BCIs 分类器。它能够有效地利用一些相似的分类任务的集合，快速适应到新任务，其中仅需最小数据。然而，将元学习应用于现有的分类器和 BCI 任务需要大量工作。为此，我们提出了 EEG-Reptile，一个自动化库，利用元学习来提高 BCIs 及其他基于 EEG 的应用中神经网络分类器的准确率。它利用 Reptile 元学习算法将 EEG 数据的神经网络分类器适配到受试者间的领域，从而在新主题上使用少量数据进行更有效的微调。该库集成了自动化超参数调优模块、数据管理管道以及 Reptile 元学习算法的实现。EEG-Reptile 的自动化水平使得无需对元学习有深入理解即可使用。我们在两个基准数据集（BCI IV 2a、Lee2019 MI）和三个神经网络架构（EEGNet、FBCNet、EEG-Inception）上展示了 EEG-Reptile的有效性。我们的库在零样态和少样本学习场景下相对于传统迁移学习方法实现了准确率提升。
引用
@article{arxiv.2412.19725,
title = {EEG-Reptile: An Automatized Reptile-Based Meta-Learning Library for BCIs},
author = {Daniil A. Berdyshev and Artem M. Grachev and Sergei L. Shishkin and Bogdan L. Kozyrskiy},
journal= {arXiv preprint arXiv:2412.19725},
year = {2025}
}
备注
For proposed python library, see EEG-Reptile GitHub: https://github.com/gasiki/EEG-Reptile Changes: minor edits in introduction and references