物理信息与无监督黎曼域适应用于异构脑电图数据集的机器学习
信号处理
2024-06-28 v2 机器学习
摘要
由于实验场次、被试和设备差异，组合脑电图数据集用于监督机器学习极具挑战性。机器学习算法通常要求训练和测试时的特征相同，而不同数据集间传感器数量和位置的差异使分析复杂化。简单的通道选择会丢弃有价值的数据，导致性能下降，尤其是在数据集共享通道很少的情况下。为解决此问题，我们提出了一种利用脑电图信号物理特性的无监督方法。我们使用场插值将脑电图通道映射到固定位置，从而促进无源域适应。利用黎曼几何分类流程和迁移学习步骤，我们的方法在脑机接口任务和潜在的生物标志物应用中展示了稳健的性能。在六个公开的脑机接口数据集上，针对右手/左手分类任务，采用留一数据集验证，与一种称为维度超越的统计方法、一种称为 ComImp 的基于信号的插补方法、源依赖方法，以及常见的通道选择和球面样条插值进行了比较分析。数值实验表明，在训练和测试共享通道较少的情况下，场插值始终优于其他方法，在所有数据集上均表现出增强的分类性能。当共享更多通道时，场插值与其他方法相比具有竞争力，且计算速度比源依赖方法更快。
引用
@article{arxiv.2403.15415,
title = {Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets},
author = {Apolline Mellot and Antoine Collas and Sylvain Chevallier and Denis Engemann and Alexandre Gramfort},
journal= {arXiv preprint arXiv:2403.15415},
year = {2024}
}