基于黎曼流形的对称正定矩阵旋转度量及其在脑机接口迁移学习源数据选择中的应用

《Frontiers in Human Neuroscience》:Rotation-based metric on the Riemannian manifold of SPD matrices with applications to source data selection for brain-computer interface transfer learning

【字体: 大 中 小 】 时间:2026年05月21日 来源:Frontiers in Human Neuroscience 2.7

编辑推荐:

  研究人员提出了极点比(pole ratio)这一度量指标,并在配备仿射不变黎曼度量(Affine Invariant Riemannian Metric, AIRM)的对称正定(Symmetric Positive Definite, SPD)矩阵黎曼流形上,

  
研究人员提出了极点比(pole ratio)这一度量指标,并在配备仿射不变黎曼度量(Affine Invariant Riemannian Metric, AIRM)的对称正定(Symmetric Positive Definite, SPD)矩阵黎曼流形上,建立了基于球面的旋转视角。该视角揭示了利用黎曼Procrustes分析(Riemannian Procrustes Analysis, RPA)进行迁移学习时旋转步骤的局限性,并指出并非所有源用户的数据均能通过旋转与目标用户数据有效对齐。极点比量化了源数据与目标数据在该流形上的相对位置,可用于评估二者是否适合进行迁移学习。实验结果表明,极点比在脑机接口(Brain-Computer Interface, BCI)迁移学习的源数据选择中具有重要应用价值。虽然本文的研究聚焦于BCI领域,但该球面视角及极点比度量可推广至任意使用SPD矩阵建模二分类数据的领域。
该研究发表于《Frontiers in Human Neuroscience》,针对脑机接口迁移学习中因用户间差异导致模型校准时间长、迁移效果不稳定的问题展开。当前主流的黎曼Procrustes分析(RPA)方法通过对齐源用户和目标用户的协方差矩阵实现迁移,但在实际应用中不同源-目标用户对的迁移效果差异显著,尤其是旋转步骤受限于SPD矩阵在AIRM下的几何特性,无法完全消除分布差异。为此,研究人员构建了SPD矩阵旋转的球面视角,提出极点比(pole ratio)度量,用于量化数据在黎曼流形上的相对位置,并验证其在源数据选择中的有效性。
关键技术方法方面,研究使用了MOABB平台中的七个公开EEG数据集,包括BCI-IV 2a、Cho、Dreyer、Lee及Physionet等,覆盖运动想象任务(左手/右手、脚/舌)。数据处理采用10通道覆盖运动皮层区域,7-35 Hz带通滤波,并以1秒至3秒的试次片段计算10×10协方差矩阵。核心方法包括:①在AIRM下定义测地球(geodesic sphere)及极点(north/south poles),推导旋转不变性条件;②提出极点比公式,基于点到两极的黎曼距离计算其归一化位置;③结合RPA的前两步(重中心化与尺度缩放)计算类均值极点比,用于源-目标差异评估;④采用Welch’s t检验比较不同|Δρ|区间的迁移增益ΔAcc。
研究结果部分,首先在4.1节通过2×2 SPD矩阵的测地球可视化验证了旋转过程中点与两极的距离保持不变,直观展示了旋转约束。4.2节对多数据集的极点比分析显示,多数数据集的平均极点比接近0.5,表明类均值通常位于测地球中部,其中BCI-IV 2a(脚/舌)的标准差较大,反映任务差异性更强。4.3节的统计结果显示,|Δρ|越小,迁移增益ΔAcc越高,且在除小样本BCI-IV 2a外的所有数据集中均达到显著水平(p<0.05或p<0.01)。源选择方法的比较表明,极点比法的性能优于随机选择与仅用目标数据训练的方法,与基于类均值距离的Distance法及源内intra-subject法相当,虽不及Oracle法,但计算成本更低。
讨论部分指出,球面视角的核心在于旋转保持点与单位矩阵及两极的黎曼距离不变,因此源与目标数据的极点比相似是实现有效对齐的前提。极点比反映了数据在流形上的分布方向,差异过大会限制RPA的旋转效果。研究人员同时强调,极点比仅描述类均值的位置,未涵盖数据分布的离散程度,需与其他度量结合以实现最优源选择。此外,在多分类任务中,类均值不再对称分布,需扩展极点比的应用方式。未来工作包括探索理论预期极点比、改进旋转变换以突破不变射线限制,以及将该方法推广至其他迁移学习算法。
结论部分总结道,该研究提出的球面视角明确了SPD矩阵在AIRM下的旋转约束,极点比作为一种简洁有效的度量,能够量化源与目标数据的可对齐性,在BCI迁移学习源选择中具有实际应用价值,并可推广至其他SPD矩阵建模领域。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号