用于跨头显 EEG 分类的基于空间蒸馏的分布对齐（SDDA）
机器学习
2025-03-10 v1 人工智能
人机交互
摘要
非侵入式脑机接口（BCI）实现了用户与外部设备之间的直接交互，通常通过脑电图（EEG）信号进行。然而，由于电极数量和位置的差异，跨不同头显解码 EEG 信号仍然是一个重大挑战。为了应对这一挑战，我们提出了一种基于空间蒸馏的分布对齐（SDDA）方法，用于非侵入式 BCI 中的异构跨头显迁移。SDDA 首先使用空间蒸馏以利用完整的电极集合，然后进行输入/特征/输出空间的分布对齐，以应对源域和目标域之间的显著差异。据我们所知，这是在跨头显迁移中使用知识蒸馏的首项工作。在来自两种 BCI 范式的六个 EEG 数据集上的大量实验表明，SDDA 在离线无监督域自适应和在线有监督域自适应场景中均取得了优异的性能，始终优于 10 种经典和最先进的迁移学习算法。
引用
@article{arxiv.2503.05349,
title = {Spatial Distillation based Distribution Alignment (SDDA) for Cross-Headset EEG Classification},
author = {Dingkun Liu and Siyang Li and Ziwei Wang and Wei Li and Dongrui Wu},
journal= {arXiv preprint arXiv:2503.05349},
year = {2025}
}
备注
10 pages, 5 figures