T-TIME：基于信息最大化的测试时集成用于即插即用 BCIs
人机交互
2024-12-11 v1 机器学习
摘要
目标：基于脑电图(EEG)的脑机接口(BCI)实现了人类大脑与计算机之间的直接通信。由于脑电信号的个体差异和非平稳性，这类 BCIs 通常需要在每次使用前进行受试者特定的校准，耗时且不够用户友好。迁移学习(TL)已被提出以缩短或消除此校准，但现有 TL 方法主要考虑离线场景，即新用户的所有未标记 EEG 试验都可用。在方法上：本文提出了测试时信息最大化集成(T-TIME)以适应最具挑战性的在线 TL 场景，即来自新用户的未标记 EEG 数据以流式形式到达，同时进行即时分类。T-TIME 从对齐的源数据初始化多个分类器。当未标记的测试 EEG 试验到达时，T-TIME 首先通过集成学习预测其标签，然后通过条件熵最小化和自适应边际分布正则化更新每个分类器。我们的代码已公开。结果：在三个公开的基于运动想象的 BCI 数据集上进行的广泛实验表明，T-TIME 在约 20 个经典和最新 TL 方法中表现优异。意义：据我们所知，这是首个针对校准自由 EEG-based BCIs 的测试时适应工作，使得即插即用 BCIs 成为可能。
引用
@article{arxiv.2412.07228,
title = {T-TIME: Test-Time Information Maximization Ensemble for Plug-and-Play BCIs},
author = {Siyang Li and Ziwei Wang and Hanbin Luo and Lieyun Ding and Dongrui Wu},
journal= {arXiv preprint arXiv:2412.07228},
year = {2024}
}