基于多约束的迁移学习在跨学科解码基于运动想象的脑机接口（BCI）中的应用 余邦阳与 张莉

《Mathematics》：A Multi-Constrained Transfer Learning for Cross-Subject Decoding of Motor Imagery-Based BCI Boyang Yu and Li Zhang

　　

摘要

个体差异以及漫长的校准时间给脑机接口（BCIs）的实际应用带来了重大挑战。领域适应技术可以通过利用现有受试者的知识来帮助缓解这些挑战。尽管领域适应方法在脑机接口领域取得了一些进展，但仍然需要在类别结构和跨域差异方面进行进一步探索。在本文中，我们提出了一种新的框架——具有选择性伪标签更新的多约束迁移学习（MCTLP）。首先，应用欧几里得对齐来减少数据层面的受试者间差异。然后引入多约束特征对齐（MCFA），该方法通过迭代构建核映射空间，并在类别结构和差异约束下确定一个优化的子空间，以对齐特征层面的边际分布和条件分布。此外，在这种特征对齐的迭代过程中，提出了一种选择性伪标签更新方法，仅对具有高分类置信度的目标样本更新伪标签，从而实现更可靠的条件分布对齐。使用两个基准数据集来验证所提出的MCTLP方法。结果表明，MCTLP的性能优于其他现有方法，体现了其在跨受试者迁移方面的强大能力。