运动想象迁移学习系列:MSTJM
论文地址:https://ieeexplore.ieee.org/abstract/document/10040708
论文题目:A Multi-Source Transfer Joint Matching Method for Inter-Subject Motor Imagery Decoding
论文代码:无
0. 引言
不同受试者之间的个体差异对运动意象(MI)解码提出了巨大挑战。多源迁移学习(MSTL) 是减少个体差异的最有前途的方法之一,它可以利用丰富的信息并协调不同受试者之间的数据分布。然而,MI-BCI中的大多数MSTL方法将源受试者中的所有数据合并到一个单一的混合域中,这将忽略重要样本的影响和多个源受试者的巨大差异。为了解决这些问题,我们引入了转移关节匹配,并将其改进为多源转移关节匹配(MSTJM) 和加权MSTJM(wMSTJM)。与之前MI中的MSTL方法不同,我们的方法对每对受试者的数据分布进行对齐,然后通过决策融合对结果进行整合。除此之外,我们还设计了一个跨学科MI解码框架来验证这两种MSTL算法的有效性。它主要由三个模块组成:黎曼空间中的协方差矩阵质心对齐,切线空间映射后欧几里得空间中的源选择</