基于联邦深度迁移学习的多 BCI 任务 EEG 解码

深度学习在 BCI 解码中已取得成功。然而，它非常依赖数据，需要汇聚多源数据。来自不同源的 EEG 数据由于负迁移而降低了解码性能。近来，用于 EEG 解码的迁移学习被提出作为补救方案，并成为近期 BCI 竞赛（如 BEETL）的课题，但合并多受试者数据存在两重困难。首先，隐私未受保护，因为高度个人的脑数据需要被共享（并在日益严格的信息治理边界间复制）。此外，BCI 数据收集自不同源，且常基于不同 BCI 任务，这被认为限制了其可复用性。在此，我们展示了一种联邦深度迁移学习技术，即基于我们先前 SCSN 工作的多数据集联邦分离-公共-分离网络 (MF-SCSN)，其将隐私保护特性集成到深度迁移学习中以利用具有不同任务的数据集。该框架使用从不同想象任务（例如部分数据集含手与脚，其他含单手与舌等）获得的不同源数据集训练 BCI 解码器。因此，通过引入隐私保护迁移学习技术，我们释放了现有 BCI 数据集的可复用性与可扩展性。我们在 NeurIPS 2021 BEETL 竞赛 BCI 任务上评估了我们的联邦迁移学习方法。所提架构比基线解码器高出 3%。此外，与基线及其他迁移学习算法相比，我们的方法保护了来自不同数据中心的脑数据隐私。