脑机接口中的迁移学习
人机交互
2016-09-20 v1 神经元与认知
摘要
脑机接口 (BCIs) 的性能随可用训练数据量的增加而提升，然而，这些数据的统计分布在受试者之间以及同一受试者的不同会话之间均存在差异，这限制了训练数据或已训练模型在它们之间的可迁移性。在本文中，我们回顾了 BCIs 中利用多个受试者和/或会话的训练数据之间的共享结构以提高性能的当前迁移学习技术。然后，我们提出了一个可应用于任意特征空间的 BCI 迁移学习框架，以及一种专为基于脑电图 (EEG) 的系统结构设计的新型回归估计方法。我们在运动想象范式中的受试者间迁移以及一名被诊断为肌萎缩侧索硬化症 (ALS) 患者的会话间迁移中展示了我们框架和方法的效用，结果表明，它能够在相同数据集上优于其他可比方法。
引用
@article{arxiv.1512.00296,
title = {Transfer Learning in Brain-Computer Interfaces},
author = {Vinay Jayaram and Morteza Alamgir and Yasemin Altun and Bernhard Schölkopf and Moritz Grosse-Wentrup},
journal= {arXiv preprint arXiv:1512.00296},
year = {2016}
}
备注
To be published in IEEE Computational Intelligence Magazine, special BCI issue on January 15th online