基于结构化图谱指导的个性化联邦脑电图解码

《IEEE Transactions on Cognitive and Developmental Systems》：Personalized Federated EEG Decoding with Structured Graph-Based Guidance

隐私保护下的脑电信号解码存在数据异构性导致模型泛化能力不足的问题。本文提出结构图引导的个性化联邦学习框架，通过构建本地与全局结构图实现差异化的模型聚合策略，有效提升EEG解码性能。实验在三个公开数据集上验证，代码开源。

　　

摘要：

联邦学习（FL）在保护隐私的脑电图（EEG）解码领域受到了越来越多的关注，因为它能够实现多个客户端（例如机构或受试者）之间对共享全局模型的协作学习。尽管取得了进展，但不同客户端之间的EEG数据分布差异严重削弱了FL模型的泛化能力。在本文中，我们提出了一种基于结构图的个性化联邦学习（SG-pFed）框架，以应对异构数据客户端的问题，从而提高保护隐私的EEG解码性能。具体来说，本地客户端在EEG表示空间中学习他们自己特定类别的原型，然后将其传输到中央服务器以构建本地和全局结构图。本地结构图与全局结构图之间的差异进一步作为相似性度量，指导本地模型的选择性聚合。这一过程考虑了本地客户端之间EEG数据分布的差异。同时，相似性度量也被用来动态调整个性化程度，以使全局模型更好地适应本地EEG数据的分布。所提出的个性化FL框架能够在数据异质性不同的各种情况下实现良好的EEG解码性能，例如协变量偏移和标签偏移。在三个公开的基于运动想象（MI）的EEG数据集上的广泛实验表明，SG-pFed的性能优于现有的最先进方法。可视化结果显示，SG-pFed使本地模型能够更多地关注与MI任务相关的大脑区域，为性能提升提供了潜在机制。代码可在此处获取：https://github.com/ljxcn97/SG-pFed。