通过基于进化的降维与受试者迁移减少训练需求
神经与进化计算
2016-02-09 v1
摘要
训练脑机接口（BCI）系统通过脑电图（EEG）数据理解受试者意图，目前需要对该受试者进行多次训练会话，以建立区分不同任务信号的必要能力。传统上，受试者训练任务通过引入训练和校准阶段完成，期间向受试者提供某些反馈。该训练会话可能耗时数小时，不适用于基于EEG的在线BCI系统。一种替代方法是使用同一人或执行相同任务的其他受试者的先前记录会话（受试者迁移）来训练分类器。本研究的主要目标是生成一种方法，允许使用其他受试者的数据同时降低数据维度。研究探讨了减少受试者和分类器所需训练与校准周期的几种可能性，并探讨了 i) 进化受试者迁移 和 ii) 利用其他受试者数据调整先前训练方法（再训练）的影响。我们的结果表明，减少至目标受试者数据的40%足以训练分类器。我们的结果也表明结合了进化受试者迁移的方法具有优越性，并突出了调整基于其他受试者训练系统的可行性。
引用
@article{arxiv.1602.02237,
title = {Reducing training requirements through evolutionary based dimension reduction and subject transfer},
author = {Adham Atyabi and Martin Luerssena and Sean P. Fitzgibbon and Trent Lewis and David M. W. Powersa},
journal= {arXiv preprint arXiv:1602.02237},
year = {2016}
}