论文提出了一种名为DS-KTL的新方法，用于解决跨受试者运动想象（MI）脑电图（EEG）分类中的样本差异问题。DS-KTL通过质心对齐、RTS特征提取、流形嵌入式空间特征选择、联合概率分布适应和特征适应正则化等步骤，实现了高效的数据迁移学习。在各种基准数据集上验证了其有效性。
运动想象迁移学习系列:DS-KTL
论文地址：https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2023.1274320/full
论文题目：Dual selections based knowledge transfer learning for cross-subject motor imagery EEG classification
论文代码：无
0. 引言
为了解决受试者之间的样本差异这个问题，基于领域适应的跨学科场景得到了广泛的研究。然而，现有的方法经常会遇到目标域中冗余特征和伪标签预测不正确等问题。为了实现高性能的跨学科MI-EEG分类，本文提出了一种名为基于双选的知识迁移学习（DS-KTL）的新方法。DS-KTL 从源域中选择两个判别特征，并从目标域中校正伪标签。DS-KTL方法首先对样本进行质心对齐，然后采用黎曼切线空间特征
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
