基于 EEG 的视觉识别中无源域受试者自适应
信号处理
2023-01-23 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
本文关注基于 EEG 的视觉识别中的受试者自适应问题。其目标是通过从源受试者的丰富数据迁移知识，为 EEG 样本有限的目标受试者构建定制化的视觉刺激识别系统。现有方法考虑在训练期间可访问源受试者样本的场景。然而，由于隐私问题，访问如 EEG 信号等个人生物数据通常不可行且存在隐患。本文中，我们引入了一个新颖且实际的问题设定，即无源域受试者自适应，其中源受试者数据不可用，仅提供预训练模型参数用于受试者自适应。为应对这一挑战性问题，我们提出基于分类器的数据生成，利用分类器响应来模拟源受试者的 EEG 样本。利用生成的样本与目标受试者数据，我们进行受试者无关特征学习以挖掘不同受试者间共享的通用知识。值得注意的是，我们的框架具有泛化性，可采用任意受试者无关学习方法。在 EEG-ImageNet40 基准上的实验中，无论受试者无关学习的选取如何，我们的模型均带来一致提升。此外，我们的方法展现出良好性能，在 5-shot 设定下仅依赖目标数据即取得 74.6% 的 top-1 测试准确率。我们的代码见 https://github.com/DeepBCI/Deep-BCI/tree/master/1_Intelligent_BCI/Source_Free_Subject_Adaptation_for_EEG。
引用
@article{arxiv.2301.08448,
title = {Source-free Subject Adaptation for EEG-based Visual Recognition},
author = {Pilhyeon Lee and Seogkyu Jeon and Sunhee Hwang and Minjung Shin and Hyeran Byun},
journal= {arXiv preprint arXiv:2301.08448},
year = {2023}
}
备注
Accepted by the 11th IEEE International Winter Conference on Brain-Computer Interface (BCI 2023). Code is available at https://github.com/DeepBCI/Deep-BCI