基于KL分歧的转移学习,用于使用EOG信号进行跨主体眼动识别

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 人与计算机的交互

背景情况:

• 电眼图 (EOG) 信号被广泛用于人机界面 (HMI).
• 跨主题的变化对基于EOG的眼动识别模型构成重大挑战.
• 现有的转移学习方法往往无法解释特定学科的相似性.

研究的目的:

• 开发一种适应性转移学习框架,用于基于EOG的眼动识别.
• 提高EOG模型在不同学科的性能.
• 解决传统转移学习方法在处理学科变化的局限性.

主要方法:

• 使用Kullback-Leibler (KL) 分歧的日志-功率光谱密度 (日志-PSD) 的特征水平的EOG (HEOG).
• 适应性选择的源主题与与目标主题相似的分布.
• 实施了一个新的转移框架,以加强跨学科的模型培训.

主要成果:

• 提出的方法显著超过了基线和经典的转移学习方法.
• 对于最初分类器结果不佳的受试者来说,取得了实质性的绩效改进.
• 在使用支持矢量机器 (SVM) 分类器的特定主题中显示出13.1%的改进.

结论:

• 开发的转移框架有效地增强了跨主题的EOG眼动识别.
• 该方法为需要强大的基于 EOG 的 HMI 的现实应用提供了有前途的解决方案.
• 基于特征分布相似性的自适应性对象选择对于改善模型概括至关重要.