基于对EEG分类的日志-欧几里德度量计算的里曼转移学习

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 大脑-计算机接口 (BCI) 允许直接的大脑-设备通信,绕过外围神经.
• 为实时控制解码大脑意图是BCI的一个关键挑战.
• 现有的EEG解码的里曼几何学方法与数据分布转移作斗争,影响跨会话和跨主题的性能.

研究的目的:

• 为BCI开发一个理曼转移学习方法,以计算数据分布漂移.
• 在BCI应用中提高EEG信号解码的稳定性和准确性.

主要方法:

• 提出了两种 Riemannian 转移学习方法,利用日志-欧几里德度量.
• 利用历史数据 (源域) 为当前任务训练里曼解码器.
• 利用来自其他受试者的数据来增强目标受试者的解码器培训.

主要成果:

• 对BCI竞争数据集 (III,IIIa和IV 2a) 进行验证的拟议方法.
• 与没有转移学习的基线方法相比,表现出优异的分类性能.
• 实现了与同类不变的里曼度量法相提并论的性能,但计算效率明显更高.

结论:

• 提议的转移学习方法提高了 BCI 中的 Riemannian 分类器性能.
• 转移学习过程的无监督性和时间效率的性质显示了在线BCI学习场景的潜力.