用通用深度域适应框架启动跨会话运动想象分类
计算机视觉与模式识别
2023-07-27 v2 人工智能
摘要
运动想象（MI）是一种常见的大脑计算机接口（BCI）范式。EEG具有非平稳性和低信噪比，对同一参与者不同EEG记录会话中的运动想象任务进行分类通常具有挑战性，因为EEG数据分布在不同采集会话间可能差异巨大。尽管将跨会话MI分类视为域适应问题很直观，但其原理和可行方法尚未阐明。本文基于域适应理论中的数学模型，提出了一种用于跨会话MI分类的孪生深度域适应（SDDA）框架。所提框架可轻松应用于大多数现有人工神经网络而无需改变网络结构，这使我们的方法具有极大的灵活性和可迁移性。在该框架中，首先通过通道归一化和欧氏对齐联合构建域不变量。然后，将源域和目标域的嵌入特征映射到再生核希尔伯特空间（RKHS）中并相应对齐。还通过将基于余弦的中心损失整合进框架来提高SDDA的泛化能力。所提框架在BCI研究领域两个经典且流行的卷积神经网络（EEGNet和ConvNet）以及两个MI-EEG公开数据集（BCI Competition IV IIA、IIB）上进行了验证。与原始EEGNet和ConvNet相比，所提SDDA框架在IIA数据集上分别将MI分类准确率提升了15.2%、10.2%，在IIB数据集上提升了5.5%、4.2%。最终MI分类准确率在IIA数据集达到82.01%，在IIB达到87.52%，优于文献中的最先进方法。
引用
@article{arxiv.2202.09559,
title = {Priming Cross-Session Motor Imagery Classification with A Universal Deep Domain Adaptation Framework},
author = {Zhengqing Miao and Xin Zhang and Carlo Menon and Yelong Zheng and Meirong Zhao and Dong Ming},
journal= {arXiv preprint arXiv:2202.09559},
year = {2023}
}
备注
17 pages, 5figures