论文题目:A Transfer Learning Framework for RSVP-based Brain Computer
论文信息:2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC),DOI:10.1109/EMBC44109.2020.9175581
论文摘要
作者提出了一个新的源域选择策略,利用CNN提取特征。而鉴别器尝试区分特征来自不同被试,分类器用来增加语义信息。此外,有条件的信息和梯度惩罚是对对抗网络和增强唯一形象的可供稳定的培训。【感觉要用深度对抗网络】
论文介绍
这句话以后可以用:Meanwhile, the acquisition of EEG is very expensive, and a large number of labeled samples are scarce, which makes reducing calibration through transfer learning an area of increasing interest for the development of practical BCI systems.
同时,脑电图非常昂贵,大量标签样本是稀缺的,这使得减少批准推动的传递学习越来越兴趣的实际BCI系统的兴趣。
作者指出迁移学习在本论文中属于跨被试迁移。
minimum distance to Riemannian mean (MDRM)到时候看下作用,DOI: arXiv:1409.0107v1
作者的逻辑如下:RSVP在时间上特征比较明显,因此很难使用一般的源自适应,因此需要选择作者使用了SCN,可以同时学习多个特征。然而,负转移和对多个受试者的常见强度约束将使模型在小样本的情况下难以训练。因此需要用作者的方法。因此作者在这篇论文的目的是选择策略,解决负迁移问题。
方法部分
A. Multi-Source Transfer Learning Framework
1 源选择:
先训练Q个分类器,并获取分类结果结果
按照分类准确度从高到低排序,前k个被试被选择作为源域
2 训练阶段:
每个源域和目标域数据 被喂入迁移学习网络,从而训练k个迁移学习网络
B. Basic Classification Network
分类器用了比较渐层的网络 IJCAI_18.pdf A Simple Convolutional Neural Network for Accurate P300 Detection and Character Spelling in Brain Computer Interface
C. Transfer Learning Network
在训练环节中,对特征的对抗性训练 提取器F和鉴别器D强制F提取物通用 特征来混淆鉴别器D,而D尝试 以区分样本是属于源样本还是属于目标域。分类器C强制特征提取器F进行学习脑电图的语义信息。在测试阶段,训练的 F和C用于对进行分类。
采用推土机距离来测试目标和源域的区别
结果
M1:包括F以及C 构成基本校准分类的网络模型。 M1中使用相同的多源投票框架。 M2:基于M1中,d被添加到执行对抗性域适应; M3:基于M2,标签信息被用作条件指导训练,和梯度罚罚到训练。 我们进行了实验三种架构和结果见表II显示。
Bonferroni correction是啥?