用于运动想象 EEG 解码的跨被试深度迁移学习
机器学习
2021-03-10 v1
摘要
卷积神经网络（CNNs）已成为解码 EEG 的强大技术，并成为运动想象 EEG 脑机接口（BCI）解码的基准。然而，在多个被试的 EEG 上训练 CNNs 而不降低个体性能仍具挑战性。这被称为负迁移问题，即从异质分布中学习导致 CNNs 错误表示各自分布，而非学到更丰富的表示。因此，CNNs 无法直接利用多被试 EEG 直接提升模型性能。为解决此问题，我们将深度迁移学习技术扩展至 EEG 多被试训练场景。我们提出一种多分支深度迁移网络，即基于分离各被试特征提取器的独立-公共-独立网络（SCSN）。我们还探索将最大均值差异（MMD）应用于 SCSN（SCSN-MMD）以更好地对齐各特征提取器的特征分布。所提网络在 BCI Competition IV 2a 数据集（BCICIV2a 数据集）与我们在线记录的数据集上评估。结果表明，所提 SCSN（81.8%、53.2%）与 SCSN-MMD（81.8%、54.8%）在多被试下两数据集均优于基准 CNN（73.4%、48.8%）。我们提出的网络展示了利用更大多被试数据集训练 EEG 解码器且不受负迁移影响的潜力。
引用
@article{arxiv.2103.05351,
title = {Inter-subject Deep Transfer Learning for Motor Imagery EEG Decoding},
author = {Xiaoxi Wei and Pablo Ortega and A. Aldo Faisal},
journal= {arXiv preprint arXiv:2103.05351},
year = {2021}
}
备注
Accepted manuscript IEEE/EMBS Neural Engineering (NER) 2021