[人工智能]文献阅读第八天

迁移学习在脑机接口综述共计5篇：

【西交大，zhangkai】【Sensor】【2020】Application of Transfer Learning in EEG Decoding Based on Brain-Computer Interfaces: A Review

综述方法按照三种迁移学习的方法：实例迁移、特征表示迁移、模型参数知识迁移，仿照的是下一篇论文。内容上不做过多细述。

【Azab大神】【book】【2018】A review on transfer learning approaches in brain–computer interface

综述方法主要介绍了四种迁移学习的方法，实例迁移、特征表示迁移、分类器迁移和关系迁移（后面写的是无监督迁移）。

【伍冬睿】【IEEE TRANSACTIONS ON COGNITIVE AND DEVELOPMENTAL SYSTEMS】【2020】Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made Since 2016

综述方法是按照运动想象、ERP、SSVEP、Affective BCI、回归问题和生成对抗按照跨任务、跨被试、跨Session、跨装置介绍。重要介绍了伍老师团队一些发表的论文。

【Wan zitong】【Neurocomputing】【2021】A review on transfer learning in EEG signal analysis

综述方法按照四种迁移学习的方法：域自适应(基于分类器)、提高的CSP（基于特征的）、深度神经网络（基于分类器）和子空间学习方法（基于特征的）介绍。

【Vinay Jayaram】【IEEE Computational intelligence magazine】【2016】Transfer Learning in Brain-Computer Interfaces

黄色标注的是比较好的论文

目前只看了前四篇，下面是我对内容的梳理：

一、脑机接口为什么要做迁移：

主要问题是脑机系统需要对每个新被试进行校准，因此迁移学习可以强化分类，减少校准时间。

二、迁移学习的数学定义：

定义1：假设一个域D包含特征空间X和边缘概率分布.

源域 Ds和目标域Dt是不同的，或者特征空间XS≠Xt，或者是边缘概率分布不同, Ps(X) ≠Pt(X)。在这里P(X)边缘分布概率可以理解为是所有类出现的概率。

定义2：一个任务T包含标签空间Y和预测函数f(X).

????????????????????? T={Y,f(X)}

f(X)=P(y|X)是条件分布概率，两个任务Ts和Tt不同，要么Ys ≠YT， 要么条件概率分布Ps(y|X) ≠PT(y|X)

定义3：源域，目标域包括：标签样本和未标签样本

定义4：（域自适应）是学习一个目标函数f，xtàyt,条件是Xs=Xt,Ys=Yt, 但Ps(X) ≠Pt(X)?和/或Ps(y|X) ≠PT(y|X),就是寻找哪些源域自适应目标域。

定义5：（Covariate shift）条件是Xs=Xt,Ys=Yt, PsyX=PT(y|X),但Ps(X) ≠Pt(X)不同。意思是训练集与测试集不同，类似BN操作来解决这类问题，迁移学习中用到的方法叫重参考。

三、迁移学习的类型：

1. 诱导式迁移：目标域中标签部分存在，l>0. 而源域标签一般为存在,目标域和源域任务不同，主要为了提升算法的预测能力。（比如图像迁移信号）（区别多任务学习，多任务学习在于训练一个模型使每个域都有所提升）
2. 直推式迁移: 目标域和源域任务相同，但目标域和源域不同。（我理解的做运动想象，不同的被试）在这里，目标域标签不存在，l=0。

1. 异构性迁移学习：源域和目标域特征空间不同，XS≠Xt；
2. 同构性迁移学习：源域和目标域特征空间相同，XS=Xt，而边缘分布概率不同，PsyX≠PTyX，例如域自适应。

1. 无监督迁移学习：源域和目标域标签都不可靠，目标域和源域任务不同，但是相关的。

四：迁移学习在脑机接口的应用场景：

跨被试：来自其他被试(源域)的数据被用来促进新被试(目标域)的校准。通常，任务和脑电图设备在不同的受试者中是相同的。

跨会话:使用以前会话(源域)的数据来校准新会话(目标域)。例如，在当前校准中使用以前的数据。通常，受试者、任务和脑电图设备在整个过程中是相同的。（例如跨时间，或者是训练集、测试集的关系）

跨设备：来自一个脑电图设备(源域)的数据，用于方便新设备(目标域)的校准。通常，在脑电图设备中，任务和对象是相同的。

跨任务：来自其他相似或相关任务(源域)的带标签的数据被用于方便对新任务(目标域)进行校准。例如，来自左右脑电的数据被用于足部和舌部脑电的校准。通常，在不同的任务中，受试者和EEG设备是相同的。

（目前跨设备和跨任务的研究还较少，这不仅需要好的算法，也需要对应的数据集）