基于深度学习的运动想象数据集间迁移学习——框架验证与数据集比较

我们提出了一种计算机视觉中常用的简单基于深度学习的框架，并展示了其在脑机接口（BCI）领域常见的心理意象解码任务中跨数据集迁移学习的有效性。我们在大量选取的12个运动想象数据集上研究了哪些数据集适合作为捐赠方和接收方进行迁移。挑战。深度学习模型通常需要较长训练时间且渴求数据，这阻碍了它们在需最小化（训练）样本记录时间并受涉及人类受试实验约束的 BCI 系统中的应用。两问题的解决方案是迁移学习，但它自身带来挑战，即数据集间、受试者间甚至同一受试者后续会话间存在显著数据分布偏移。方法。对于每一对预训练（捐赠方）与测试（接收方）数据集，我们首先在捐赠方上训练模型，然后仅基于少量接收方试验训练一个新的附加线性分类层。该迁移方法的性能随后在接收方数据集的其他试验上测试。意义。首先，我们降低了在运动想象数据集间使用迁移学习的门槛：整体框架极为简单却仍取得尚可的分类分数。其次，我们证明深度学习模型是运动想象跨数据集迁移的良好选项，既因第一点所述原因，也因所提框架在在线场景中可行。最后，分析哪些数据集最适合迁移学习可作为未来研究者确定用于预训练或基准测试数据集的参考。