基于运动想象的脑机接口迁移学习：完整流水线
信号处理
2023-05-04 v3 人机交互
机器学习
机器学习
摘要
迁移学习（TL）已广泛用于基于运动想象（MI）的脑机接口（BCI）中，以减少新受试者的校准工作量，并展现出良好的性能。在闭环基于MI的BCI系统中，在脑电图（EEG）信号采集和时域滤波之后，在向外部设备发送控制信号之前，包含空间滤波、特征工程和分类模块，而以往的方法仅在这些组件中的一个或两个中考虑TL。本文提出，在基于MI的BCI的所有三个组件（空间滤波、特征工程、分类）中均可考虑TL。此外，在空间滤波之前专门添加一个数据对齐组件以使不同受试者的数据更加一致，从而便于后续的TL，也非常重要。在两个MI数据集上的离线校准实验验证了我们的提议。特别是，集成数据对齐与精细的TL方法可显著提升分类性能，从而大大减少校准工作量。
引用
@article{arxiv.2007.03746,
title = {Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline},
author = {Dongrui Wu and Xue Jiang and Ruimin Peng and Wanzeng Kong and Jian Huang and Zhigang Zeng},
journal= {arXiv preprint arXiv:2007.03746},
year = {2023}
}