基于原型的域泛化框架用于受试者无关的脑机接口
信号处理
2022-04-18 v1 人机交互
机器学习
摘要
由于脑电图（EEG）的受试者间/受试者内变异性，脑机接口（BCI）在实际应用中面临挑战。通常，BCI系统需要校准技术以获取受试者/会话特定数据，从而在每次使用时调整模型。该问题被公认为BCI的关键障碍，近期出现了一种基于域泛化的新策略以应对之。有鉴于此，我们专注于开发一种可直接应用于未知域（即受试者）数据、且仅使用先前其他受试者所获取数据的EEG分类框架。为此，本文提出一种框架，其采用开集识别技术作为辅助任务，从源数据集中学习受试者特定风格特征，同时协助共享特征提取器将未见目标数据集的特征映射为一个新的未知域。我们的目标是在同一域内强加跨实例风格不变性，并降低潜在未见受试者的开空间风险，从而提升共享特征提取器的泛化能力。实验表明，将域信息作为辅助网络使用可提升泛化性能。
引用
@article{arxiv.2204.07358,
title = {Prototype-based Domain Generalization Framework for Subject-Independent Brain-Computer Interfaces},
author = {Serkan Musellim and Dong-Kyun Han and Ji-Hoon Jeong and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2204.07358},
year = {2022}
}
备注
Accepted in EMBC 2022