基于元更新超高效迁移学习的跨被试脑电分类
机器学习
2021-03-02 v3 信号处理
机器学习
摘要
脑电图（EEG）信号的模式在不同被试之间存在显著差异，给EEG分类器带来以下挑战：1）将已学习的分类器有效适配到新被试；2）在适配后保留已知被试的知识。我们提出一种高效的迁移学习方法，称为元更新策略（MUPS-EEG），用于跨不同被试的连续EEG分类。该模型通过元更新学习有效表征，加速在新被试上的适配，同时减轻对先前被试知识的遗忘。所提出的机制源于元学习，旨在：1）寻找广泛适用于不同被试的特征表征；2）最大化损失函数的敏感性以实现在新被试上的快速适配。该方法可应用于所有面向深度学习的模型。在两个公开数据集上的大量实验证明了所提模型的有效性，在适配新被试和保留已学被试知识方面均以较大优势优于当前最先进水平。
引用
@article{arxiv.2003.06113,
title = {Ultra Efficient Transfer Learning with Meta Update for Cross Subject EEG Classification},
author = {Tiehang Duan and Mihir Chauhan and Mohammad Abuzar Shaikh and Jun Chu and Sargur Srihari},
journal= {arXiv preprint arXiv:2003.06113},
year = {2021}
}