基于黎曼迁移学习最小化脑机接口的主体相关校准
信号处理
2021-11-26 v1 人机交互
机器学习
摘要
校准仍是脑机接口(BCI)用户体验中的重要问题。常见的实验设计通常包含漫长的训练期，在甚至开始使用BCI之前就引发了认知疲劳。借助迁移学习等先进机器学习技术，减少或消除这种主体相关校准是可行的。基于黎曼BCI，我们提出一种简单有效的方案，在不同受试者记录的数据上训练分类器，以在保持良好性能的同时减少校准。本文的主要新颖之处在于提出一种可应用于差异极大的范式上的统一方法。为证明该方法的鲁棒性，我们对三种BCI范式（事件相关电位(P300)、运动想象与SSVEP）的多个数据集进行了元分析。依靠MOABB开源框架以确保实验与统计分析的可复现性，结果清晰表明所提方法可应用于任意类型的BCI范式，且在多数情况下显著改善分类器可靠性。我们指出了进一步优化迁移学习方法的一些关键特征。
引用
@article{arxiv.2111.12071,
title = {Minimizing subject-dependent calibration for BCI with Riemannian transfer learning},
author = {Salim Khazem and Sylvain Chevallier and Quentin Barthélemy and Karim Haroun and Camille Noûs},
journal= {arXiv preprint arXiv:2111.12071},
year = {2021}
}
备注
4 pages, 2 figures, 1 table, Conference on Neural Engineering