脑机接口中的迁移学习：一种欧氏空间数据对齐方法
机器学习
2019-04-03 v2 人机交互
神经元与认知
机器学习
摘要
目的：本文针对开发实用的基于 EEG 的脑机接口（BCIs）时的一大挑战：如何应对个体差异，从而以最少甚至无需受试者特定数据为新受试者获得更好的学习性能？方法：我们提出一种新方法，在欧氏空间中对来自不同受试者的 EEG 试次进行对齐，使它们更为相似，从而提升新受试者的学习性能。我们的方法具有三个理想特性：1）它直接在欧氏空间中对 EEG 试次进行对齐，随后任何信号处理、特征提取和机器学习算法均可应用于对齐后的试次；2）其计算代价极低；3）它是无监督的，不需要来自新受试者的任何标签信息。结果：在运动想象分类和事件相关电位分类上的离线与模拟在线实验均验证了我们所提方法优于一种最先进的黎曼空间数据对齐方法，以及若干无数据对齐的方法。结论：所提出的欧氏空间 EEG 数据对齐方法可极大促进 BCIs 中的迁移学习。意义：我们所提方法有效、高效且易于实现，有望成为基于 EEG 的 BCIs 的必要预处理步骤。
引用
@article{arxiv.1808.05464,
title = {Transfer Learning for Brain-Computer Interfaces: A Euclidean Space Data Alignment Approach},
author = {He He and Dongrui Wu},
journal= {arXiv preprint arXiv:1808.05464},
year = {2019}
}