特征向量

通过特征向量联合对齐实现 P300 脑机接口的迁移学习

摘要 — 本文介绍了一种新的迁移学习方法，即群组学习，它可以联合对齐多个域（多对多），以及一种扩展方法，即快速对齐，它可以将任何其他域与先前对齐的域组对齐（多对一）。在脑机接口 (BCI) 数据上评估了所提出的组对齐算法 (GALIA)，并研究了该算法的最佳超参数值以了解分类性能和计算成本。使用了六个公开的 P300 数据库，包含来自 177 个受试者的 333 个会话。与传统的针对特定受试者的训练/测试流程相比，群组学习和快速对齐均显著提高了分类准确率，但临床受试者的数据库除外（平均改进：2.12±1.88%）。GALIA 利用循环近似联合对角化 (AJD) 来找到一组线性变换，每个域一个，联合对齐所有域的特征向量。群组学习实现了多对多迁移学习，同时不会损害非临床 BCI 数据的分类性能。快速对齐进一步扩展了任何未见域的群组学习，从而允许具有相同属性的多对一迁移学习。前一种方法使用来自先前受试者和/或会话的数据创建单个机器学习模型，而后一种方法利用训练后的模型来处理未见域，无需进一步训练分类器。