脑机接口中互信息驱动的受试者不变与类别相关深度表征学习
机器学习
2020-08-24 v4 人机交互
机器学习
摘要
近年来，基于深度学习的特征表征方法在基于脑电图（EEG）的脑机接口（BCI）中展现出令人瞩目的影响。然而，由于受试者内部和受试者之间存在高度变异性，许多EEG解码研究采用特定于受试者的方式设计，需使用校准样本，而未考虑其实际应用，这受到耗时步骤和大数据需求的阻碍。为此，近期研究采用了迁移学习策略，尤其是领域自适应技术。其中，据我们所知，对抗学习已在BCI中展现出潜力。同时，众所周知，基于对抗学习的领域自适应方法容易发生负迁移，这会破坏对适用于不同领域（如BCI中的不同受试者或不同时段）的泛化特征表征的学习。本文提出一种新颖框架，以信息论方式学习类别相关且受试者不变的特征表征，而不使用对抗学习。具体而言，我们在深度网络中设计了两个操作组件，显式估计特征表征之间的互信息：（1）将中间层的特征分解为类别相关和类别无关的部分；（2）丰富类别判别性特征表征。在两个大型EEG数据集上，我们通过与多种对比方法进行性能比较，验证了所提框架的有效性。此外，我们进行了严格的分析：针对网络中的组件进行消融研究，通过逐层相关性传播解释模型对输入EEG信号的决策，并通过t-SNE可视化所学特征的分布。
引用
@article{arxiv.1910.07747,
title = {Mutual Information-driven Subject-invariant and Class-relevant Deep Representation Learning in BCI},
author = {Eunjin Jeon and Wonjun Ko and Jee Seok Yoon and Heung-Il Suk},
journal= {arXiv preprint arXiv:1910.07747},
year = {2020}
}
备注
10 pages, 4 figures