基于EEG的受试者自适应视觉识别
计算机视觉与模式识别
2021-10-27 v1 人工智能
摘要
本文关注基于EEG的视觉识别，旨在根据受试者自身的EEG信号预测其所观察的视觉对象类别。主要挑战之一是不同受试者信号间的巨大差异。这限制了识别系统仅能对参与模型训练的受试者生效，而现实场景中频繁新增受试者，此限制并不可取。通过为每个新用户收集大量数据可缓解该限制，但成本高昂且有时不可行。为使任务更贴近实际，我们引入一种新问题设定，即受试者自适应基于EEG的视觉识别。在该设定下，既有用户（源）的一批预记录数据可用，而仅提供新用户（目标）的少量训练数据。推理时，模型仅在目标用户的信号上评估。该设定具挑战性，尤其因为评估目标受试者数据时，源受试者的训练样本可能无益。为应对新问题，我们设计了一个简单而有效的基线，最小化不同受试者特征分布间的差异，使模型提取受试者无关特征。从而，我们的模型能学习受试者间共享的通用知识，显著提升对目标受试者的识别性能。实验中，我们在多种设定下证明了方法的有效性。代码见 https://github.com/DeepBCI/Deep-BCI/tree/master/1_Intelligent_BCI/Subject_Adaptive_EEG_based_Visual_Recognition。
引用
@article{arxiv.2110.13470,
title = {Subject Adaptive EEG-based Visual Recognition},
author = {Pilhyeon Lee and Sunhee Hwang and Seogkyu Jeon and Hyeran Byun},
journal= {arXiv preprint arXiv:2110.13470},
year = {2021}
}
备注
Accepted by ACPR 2021. Code is available at https://github.com/DeepBCI/Deep-BCI