Cogitat团队在NeurIPS 2021：EEG迁移学习基准竞赛
信号处理
2022-02-08 v1 人工智能
人机交互
机器学习
摘要
构建独立于被试的深度学习模型用于EEG解码面临不同数据集、被试和记录会话间强协变量偏移的挑战。我们解决此困难的方法是在深度学习模型各层显式对齐特征分布，既使用简单统计技术，也使用具有更强表征能力的可训练方法。这与常在黎曼流形背景下使用的基于协方差的对齐方法思路相似。本文提出的方法在NeurIPS会议举办的2021年EEG迁移学习基准（BEETL）竞赛中获得第一名。竞赛第一项任务为睡眠分期分类，要求将在年轻被试上训练的模型迁移至多个老年年龄组被试上推理，且无个性化校准数据，因此需要独立于被试的模型。第二项任务要求将在一个或多个源运动想象数据集被试上训练的模型迁移至两个目标数据集上推理，并为多个测试被试提供一小组个性化校准数据。
引用
@article{arxiv.2202.03267,
title = {Team Cogitat at NeurIPS 2021: Benchmarks for EEG Transfer Learning Competition},
author = {Stylianos Bakas and Siegfried Ludwig and Konstantinos Barmpas and Mehdi Bahri and Yannis Panagakis and Nikolaos Laskaris and Dimitrios A. Adamos and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:2202.03267},
year = {2022}
}