运动想象 (MI) 迁移学习系列 (9) : 数据对齐（EA）

sjx_alo

已于 2024-03-15 09:28:36 修改

阅读量1.7k

点赞数 53

分类专栏：机器视觉运动想象脑机接口文章标签：迁移学习人工智能机器学习运动想象 python

于 2024-03-15 09:04:30 首次发布

本文链接：https://blog.csdn.net/qq_36758270/article/details/136664683

版权

脑机接口同时被 3 个专栏收录

45 篇文章 6 订阅 ¥159.90 ¥299.90

订阅专栏

机器视觉

57 篇文章 9 订阅

订阅专栏

运动想象

56 篇文章 57 订阅

订阅专栏

本文详细介绍了数据对齐在迁移学习中的重要性，特别是欧式对齐(Euclidean Alignment, EA)算法。通过计算每段EEG样本的协方差矩阵并获取对齐矩阵，EA对源域和目标域用户的数据进行有效调整，以减少域间差异。相较于黎曼对齐(RA)，EA更快速、无需标签信息且更易结合其他处理步骤。实验结果显示，EA在不同EEG数据集上表现出色，提升了迁移学习效果。" 127327726,11626598,Vue3 组合式 API 深入解析,"['vue.js', 'javascript', '前端开发']

摘要由CSDN通过智能技术生成

论文地址：https://ieeexplore.ieee.org/abstract/document/8701679
论文题目：Transfer Learning for Brain–Computer Interfaces: A Euclidean Space Data Alignment Approach
论文代码：https://github.com/hehe03/EA/blob/master/main_MI.m

0. 引言

本篇博客重点考虑数据对齐部分，因为其对后续迁移学习的效果影响非常大。
数据对齐有多种方法，如黎曼对齐(Riemannian Alignment, RA)、欧式对齐(Euclidean Alignment, EA)、标签对齐(Label Alignment, LA)、重心对齐(Centroid Alignment, CA) 等。下面重点介绍EA。