基于地理坐标优化的 EEG 数据预测性迁移适应方法

脑电图(EEG)数据常常来自包含不同人群和 EEG 设备的多样化情境。这种变异性可能导致数据 $X$ 与感兴趣的生物医学变量 $y$ 之间的分布迁移，从而限制了监督机器学习(ML)算法的应用。虽然已开发出域适应(DA)方法来缓解这些迁移的影响，但当 $X$ 与 $y$ 同时发生分布迁移时，这些方法往往难以奏效。由于当前用于 EEG 的最先进 ML 模型以位于对称正定(SPD)矩阵黎曼流形上的空间协方差矩阵表示数据，因此研究在 SPD 黎曼流形上操作的 DA 技术显得尤为切合。本文提出一种新方法，称为基于地理坐标优化的预测性迁移适应(GOPSA)，以解决测试时间上的多源 DA 问题，适用于源域具有不同 $y$ 分布的情况。GOPSA 利用黎曼流形的地理坐标结构，联合学习表示特定域的再中心化算子(代表站点特定截距)以及回归模型。我们在包含 14 个录音站点、超过 1500 名受试者的大型跨国数据集(HarMNqEEG)上进行了经验基准测试。与现有最先进方法相比，我们的结果在多个回归指标($R^2$、MAE 和斯佩尔相关系数 $\rho$)上均显著提升，尤其在多个源-目标站点组合方面，凸显了其在 EEG 数据分析中处理多源预测性迁移的有效性。该方法有望将混合效应建模的优势与机器学习在生物医学应用中相结合，如多中心临床试验。