面向脑电信号的联邦迁移学习分类方法
机器学习
2021-01-26 v5 信号处理
摘要
深度学习（DL）方法在脑机接口（BCI）领域对脑电图（EEG）记录的分类成功，一直受限于大规模数据集的缺失。与 EEG 信号相关的隐私问题，限制了通过合并多个小数据集来构建大型 EEG-BCI 数据集以联合训练机器学习模型的可能。因此，本文提出一种基于联邦学习框架、名为联邦迁移学习（FTL）的新型隐私保护 DL 架构用于 EEG 分类。该架构利用单试次协方差矩阵，借助域适应技术从多受试者 EEG 数据中提取共性判别信息。我们在 PhysioNet 数据集上针对二分类运动想象任务评估所提架构。在不实际共享数据的情况下，我们的 FTL 方法在受试者自适应分析中准确率提升 2%。此外，在无多受试者数据时，相较其他 SOTA（state-of-the-art，当前最优）DL 架构，我们的架构准确率高出 6%。
引用
@article{arxiv.2004.12321,
title = {Federated Transfer Learning for EEG Signal Classification},
author = {Ce Ju and Dashan Gao and Ravikiran Mane and Ben Tan and Yang Liu and Cuntai Guan},
journal= {arXiv preprint arXiv:2004.12321},
year = {2021}
}
备注
6 pages, 2 figures, Accepted for IEEE Engineering in Medicine and Biology Society (EMBC) 2020 GitHub: https://github.com/DashanGao/Federated-Transfer-Leraning-for-EEG