运动想象 (MI) 迁移学习系列 (6) : MDTL

论文地址：https://ieeexplore.ieee.org/abstract/document/10077444
论文题目：MDTL： A Novel and Model-Indinostic Transfer Learning Strategy for Cross-Subject Motor Imagery BCI
论文代码：无

0. 引言

近年来，基于深度神经网络的迁移学习（TL）在基于脑电图（MI）的脑机接口（BCI）中表现出优异的性能。然而，由于预训练模型的准备时间长，以及源域选择的随意性，在不同的数据集和模型上使用深度迁移学习仍然具有挑战性。在本文中，我们提出了一种基于跨学科运动想象脑电图的脑机接口的多向迁移学习（MDTL）策略。此策略利用从多源域到目标域以及从一个多源域到另一个多源域的数据。此策略与模型无关，因此可以快速部署在现有模型上。

总体来说：通过大量实验来获取一个较好的初始模型权重，然后再使用目标域数据微调，不建议！！！

1. 主要贡献

• 提出了一种名为MDTL的高性能迁移学习策略，该策略