数据归一化对EEG数据域适应的影响
机器学习
2023-07-11 v3 信号处理
摘要
在机器学习(ML)文献中,一个众所周知的问题是数据集偏移问题:与ML标准假设不同,训练集和测试集中的数据可以遵循不同的概率分布,导致ML系统泛化性能较差。在脑机接口(BCI)领域,这一问题尤为突出,其中常使用脑电图(EEG)等生物信号。事实上,EEG信号在时间和不同受试者之间都具有高度非平稳性。为克服该问题,一些提出的解决方案基于最近的迁移学习方法,如域适应(DA)。然而,在若干情况下,性能提升的实际原因仍不明确。本文关注数据归一化或与DA方法一同应用的标准化策略的影响。具体而言,使用SEED、DEAP和BCI Competition IV 2a这三类EEG数据集,我们通过实验评估了在不同知名DA方法有无使用的情况下,不同归一化策略的影响,并比较所得性能。结果表明,在DA场景中,归一化策略的选择对分类器性能起着关键作用,且有趣的是,在若干情况下,仅使用适当的归一化方案便优于DA技术。
引用
@article{arxiv.2210.01081,
title = {On The Effects Of Data Normalisation For Domain Adaptation On EEG Data},
author = {Andrea Apicella and Francesco Isgrò and Andrea Pollastro and Roberto Prevete},
journal= {arXiv preprint arXiv:2210.01081},
year = {2023}
}
备注
Published in its final version on Engineering Applications of Artificial Intelligence (EAAI) https://doi.org/10.1016/j.engappai.2023.106205