使用针对受试者特征的编码器来学习一致的脑电图（EEG）表示方法

《Scientific Reports》：Learning aligned EEG representations with subject-specific encoders

　　

摘要

跨受试者的脑电图（EEG）解码虽然可以获取更多的训练数据，但也会使神经网络面临显著的受试者间分布差异。我们研究了仅通过任务监督和网络结构是否能够学习到与特定受试者相对应的表示。我们用针对不同受试者的编码器替换了共享的EEG编码器，并在三个运动想象数据集和一个运动执行数据集上，将这种混合模型与标准的EEGNet、AttentionBaseNet和采用欧几里得对齐（EA）的CTNet基线模型进行了比较。欧几里得对齐通过重新调整受试者的协方差来改进共享编码器的性能，而混合编码器则减少了对欧几里得对齐的依赖：去除欧几里得对齐对验证损失动态或潜在空间组织的影响很小，并且两种混合模型的一致性都优于未对齐的共享基线模型。针对特定受试者的编码器增强了类别之间的区分度，使每个受试者更接近其自身的潜在流形，同时提高了同一受试者内部类别的分离度。然而，在跨受试者分类任务中，针对特定受试者的编码器会阻碍参数向未见受试者的直接迁移，这促使我们进行定量的编码器选择和简短的校准过程。尽管解码效果的提升取决于数据集和框架类型，但我们的主要发现表明，仅依靠网络结构本身就能促进表示学习和对齐，且这种对齐的方向与欧几里得对齐等领域适应方法相辅相成。一个每个受试者仅使用\(2\,C\,r\)个参数的低秩适配器，在五种不同框架下都能恢复到原始编码器的准确率；当\(r=1\)时，这种模块的复杂度甚至可以降低两个到三个数量级。