迁移学习在脑机接口综述共计5篇:
【西交大,zhangkai】【Sensor】【2020】Application of Transfer Learning in EEG Decoding Based on Brain-Computer Interfaces: A Review
综述方法按照三种迁移学习的方法:实例迁移、特征表示迁移、模型参数知识迁移,仿照的是下一篇论文。内容上不做过多细述。
【Azab大神】【book】【2018】A review on transfer learning approaches in brain–computer interface
综述方法主要介绍了四种迁移学习的方法,实例迁移、特征表示迁移、分类器迁移和关系迁移(后面写的是无监督迁移)。
【伍冬睿】【IEEE TRANSACTIONS ON COGNITIVE AND DEVELOPMENTAL SYSTEMS】【2020】Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made Since 2016
综述方法是按照运动想象、ERP、SSVEP、Affective BCI、回归问题和生成对抗按照跨任务、跨被试、跨Session、跨装置介绍。重要介绍了伍老师团队一些发表的论文。
【Wan zitong】【Neurocomputing】【2021】A review on transfer learning in EEG signal analysis
综述方法按照四种迁移学习的方法:域自适应(基于分类器)、提高的CSP(基于特征的)、深度神经网络(基于分类器)和子空间学习方法(基于特征的)介绍。
【Vinay Jayaram】【IEEE Computational intelligence magazine】【2016】Transfer Learning in Brain-Computer Interfaces
黄色标注的是比较好的论文
目前只看了前四篇,下面是我对内容的梳理:
一、脑机接口为什么要做迁移:
主要问题是脑机系统需要对每个新被试进行校准,因此迁移学习可以强化分类,减少校准时间。
二、迁移学习的数学定义:
定义1:假设一个域D包含特征空间X和边缘概率分布.
源域 Ds和目标域Dt是不同的,或者特征空间XS≠Xt,或者是边缘概率分布不同, Ps(X) ≠Pt(X)。在这里P(X)边缘分布概率可以理解为是所有类出现的概率。
定义2:一个任务T包含标签空间Y和预测函数f(X).
T={Y,f(X)}
f(X)=P(y|X)是条件分布概率,两个任务Ts和Tt不同,要么Ys ≠YT, 要么条件概率分布Ps(y|X) ≠PT(y|X)
定义3:源域,目标域包括:标签样本和未标签样本
定义4:(域自适应)是学习一个目标函数f,xtàyt,条件是Xs=Xt,Ys=Yt, 但Ps(X) ≠Pt(X) 和/或Ps(y|X) ≠PT(y|X),就是寻找哪些源域自适应目标域。
定义5:(Covariate shift)条件是Xs=Xt,Ys=Yt, PsyX=PT(y|X),但Ps(X) ≠Pt(X)不同。意思是训练集与测试集不同,类似BN操作来解决这类问题,迁移学习中用到的方法叫重参考。
三、迁移学习的类型:
- 诱导式迁移:目标域中标签部分存在,l>0. 而源域标签一般为存在,目标域和源域任务不同,主要为了提升算法的预测能力。(比如图像迁移信号)(区别多任务学习,多任务学习在于训练一个模型使每个域都有所提升)
- 直推式迁移: 目标域和源域任务相同,但目标域和源域不同。(我理解的做运动想象,不同的被试)在这里,目标域标签不存在,l=0。
- 异构性迁移学习:源域和目标域特征空间不同,XS≠Xt;
- 同构性迁移学习:源域和目标域特征空间相同,XS=Xt,而边缘分布概率不同,PsyX≠PTyX,例如域自适应。
- 无监督迁移学习:源域和目标域标签都不可靠,目标域和源域任务不同,但是相关的。
四:迁移学习在脑机接口的应用场景:
跨被试:来自其他被试(源域)的数据被用来促进新被试(目标域)的校准。通常,任务和脑电图设备在不同的受试者中是相同的。
跨会话:使用以前会话(源域)的数据来校准新会话(目标域)。例如,在当前校准中使用以前的数据。通常,受试者、任务和脑电图设备在整个过程中是相同的。(例如跨时间,或者是训练集、测试集的关系)
跨设备:来自一个脑电图设备(源域)的数据,用于方便新设备(目标域)的校准。通常,在脑电图设备中,任务和对象是相同的。
跨任务:来自其他相似或相关任务(源域)的带标签的数据被用于方便对新任务(目标域)进行校准。例如,来自左右脑电的数据被用于足部和舌部脑电的校准。通常,在不同的任务中,受试者和EEG设备是相同的。
(目前跨设备和跨任务的研究还较少,这不仅需要好的算法,也需要对应的数据集)