摘要:在两个迁移方向上,ALPHA显著优于基线方法(典型相关分析,CCA)和两种竞争迁移学习方法(迁移模板方法,ttCCA和最小二乘变换,LST)。当从湿式脑电耳机转移到干式脑电耳机时,ALPHA显著优于完全校准的任务相关成分分析(TRCA)方法。
ALPHA框架的示意图。圆圈中的每一种颜色代表一种不同类型的数据,例如,紫色代表来自目标域的测试数据或样本;品红表示来自源域的样本;绿色为正余弦参考信号。ALPHA包含3个关键步骤,即子空间分解、子空间对齐和子空间池化。对每对输入数据进行子空间分解,然后得到空间滤波器。子空间对齐包含两个部分,即ASP(对齐空间模式)和AC(对齐协方差)。在ASP的实例中,目标域的空间格局通过数学旋转与源域的空间格局对齐。在AC的例子中,目标域的协方差通过增白和着色与源域的协方差对齐。子空间池化聚合每对嵌入的相关系数,并对多个子空间的相关系数进行加权,形成检测统计量。