脑机接口中受试者间的子空间迁移
机器学习
2013-04-04 v2 人机交互
机器学习
摘要
在脑机接口（BCI）中，补偿受试者训练会话与测试会话之间的变化具有挑战性，但对于稳健的 BCI 运行至关重要。我们表明，这种变化在不同受试者之间非常相似，因此可以利用其他用户的数据进行可靠估计，并用于构建不变特征空间。这种从其他受试者学习的新方法旨在减少常见非平稳性的不利影响，但不迁移判别信息。这与标准的多受试者方法存在重要的概念差异，后者例如通过将协方差矩阵收缩至其他用户的平均值来改善估计，或构建全局特征空间。这些方法并不能减少训练数据与测试数据之间的偏移，并且当受试者具有非常不同的信号特征时可能会产生糟糕的结果。在本文中，我们将我们的方法与两种最先进的多受试者方法在玩具数据以及两个受试者执行运动想象任务的 EEG 记录数据集上进行了比较。我们表明，该方法不仅能显著提高性能，而且提取的变化模式允许进行具有神经生理学意义的解释。
引用
@article{arxiv.1209.4115,
title = {Transferring Subspaces Between Subjects in Brain-Computer Interfacing},
author = {Wojciech Samek and Frank C. Meinecke and Klaus-Robert Müller},
journal= {arXiv preprint arXiv:1209.4115},
year = {2013}
}