基于课程学习与迁移学习融合的跨被试运动意象识别方法

《Expert Systems with Applications》：Hybrid curriculum and transfer learning method for cross-subject motor imagery recognition

本文提出了一种融合课程学习（CL）和迁移学习（TL）的创新方法，用于解决跨被试运动意象（MI）脑电（EEG）识别中的个体差异和信号质量变异问题。该方法通过选择与目标域边际分布相似的源域，并利用全连接网络（FCN）筛选条件分布相似的样本，有效提升了分类器的泛化能力和识别性能，在BCI Competition IV数据集2a和OpenBMI上取得了领先水平。

　　

Section snippets

Related Works

本节介绍并讨论了迁移学习（TL）、课程学习（CL）以及基于Transformer的运动意象（MI）识别方法。

近年来，迁移学习已成为机器学习的一个重要范式。Pan & Yang (2010) 建立了一个迁移学习的基础框架，将其方法分为三种不同类型：归纳式、直推式和无监督迁移。诸如欧几里得对齐（EA）和标签对齐（LA）等技术通过对齐...

Proposed Method

在本研究中，我们提出了一种基于课程迁移学习（CTL）的MI识别方法。整个过程如图2所示，其中蓝色框代表迁移学习过程，红色框表示基于课程学习的训练策略。通过迁移学习选择与目标域具有相似边际分布和条件分布的源域样本，结合标记的目标域样本训练分类器。利用课程...

Experimental Procedure

为了验证CTL的性能，我们首先将我们的方法的MI识别结果与其他方法的结果进行了比较。其次，我们验证了所提方法中特征提取、CL、TL和FCN的有效性。

Results

为了更全面地验证所提出的方法，我们比较了各种方法的分类准确率，分析了CL和TL的有效性，并评估了不同特征提取方法对实验结果的影响。

Discussion

我们提出了一种基于CTL的跨被试MI识别方法。在该方法中，课程学习（CL）用于根据难度对训练样本进行排序，以防止在训练阶段陷入局部最优解。此外，为了解决脑电信号个体差异导致的泛化性能差的问题，迁移学习（TL）被用来从源域中选择与目标域具有相似边际分布和条件分布的样本。

Conclusion

在本研究中，我们提出了一种基于CTL的跨被试MI识别方法。通过将CL与TL相结合，所提出的方法有效解决了脑电信号质量变异和个体差异对分类器泛化性能的负面影响。基于CL训练策略，从目标域中按难度（从最简单的样本开始）逐步选择样本进行分类器训练，这增强了...