Manifold Embedded Knowledge Transfer for Brain-Computer Interfaces
【DOI】10.1109/TNSRE.2020.2985996
摘要：
首次对齐EEG协相关矩阵在黎曼流形中，提取切线空间的特征。进行域自适应，通过最小化源域和目标域之间的联合概率分布偏移，同时保留了他们的几何结构。同时作者还提出了领域选择策略DTE(domain transferability estimation)。
?2、相关工作
黎曼几何概念
?切空间映射
结果
迁移学习在以脑电图为基础的bci中很流行，以应对不同学科和/或任务之间的差异。本文考虑了离线无监督交叉受试者脑电图分类，即我们对来自一个或多个来源受试者的脑电图试验进行了标记，但只对来自目标受试者的未标记脑电图试验进行了标记。
提出了一种新的MEKT方法，该方法分为三个步骤:
1)将脑电图试验的协方差矩阵在黎曼流形中对齐;
2)提取切线空间特征;
3)进行域自适应，
? ? ? ?在保持目标域和源域的几何结构的同时，最小化源域和目标域之间的联合概率分布偏移。可选的第四步，DTE，也被提出，以确定最有益的源域，并因此以降低计算成本。两种脑机接口模式下的四组脑电图数据表明MEKT优于几种最先进的迁移学习方法。此外，当源被试数量较大时，DTE可以减少一半以上的计算代价，而对分类精度的牺牲很小。