面向受试者自适应基于 EEG 的视觉识别的跨受试者对比学习
信号处理
2022-02-08 v1 人工智能
计算机视觉与模式识别
摘要
本文解决了受试者自适应的基于 EEG 的视觉识别问题。其目标是在训练时仅使用目标受试者极少样本的情况下，基于 EEG 信号准确预测视觉刺激类别。关键挑战在于如何将从源受试者丰富数据中获取的知识恰当地迁移至感兴趣受试者。为此，我们引入一种新方法，通过增强共享同类但来自不同受试者的特征之间的相似性，来学习受试者无关的表示。借助专门的采样原则，我们的模型有效捕捉了跨不同受试者共享的通用知识，从而即使在数据有限的严苛问题设定下，也能为目标受试者取得良好性能。具体而言，在 EEG-ImageNet40 基准上，当目标受试者每类仅使用五个 EEG 样本时，我们的模型取得了 72.6% / 91.6% 的 top-1 / top-3 测试准确率。我们的代码可在 https://github.com/DeepBCI/Deep-BCI/tree/master/1_Intelligent_BCI/Inter_Subject_Contrastive_Learning_for_EEG 获取。
引用
@article{arxiv.2202.02901,
title = {Inter-subject Contrastive Learning for Subject Adaptive EEG-based Visual Recognition},
author = {Pilhyeon Lee and Sunhee Hwang and Jewook Lee and Minjung Shin and Seogkyu Jeon and Hyeran Byun},
journal= {arXiv preprint arXiv:2202.02901},
year = {2022}
}
备注
Accepted by the 10th IEEE International Winter Conference on Brain-Computer Interface (BCI 2022). Code is available at https://github.com/DeepBCI/Deep-BCI