加权多源域对抗迁移学习运动想象脑电识别

运动想象脑电信号个体差异大且数据采集成本高,构建小样本、跨被试的运动想象脑电识别模型是脑机接口中需要解决的关键问题。针对小样本跨领域学习,提出一种基于预对齐策略和对抗迁移学习的加权多源域自适应方法,把迁移学习和对抗训练相结合,将域对抗神经网络扩展到多源域,对各源域进行皮尔逊相关系数加权,实现多个源域和目标域在特征上的加权对齐,并采用预对齐策略提高域间数据分布的一致性。在BCI Competition运动想象数据集上,跨被试的运动想象任务识别正确率达到84.43%,与不迁移方法相比提高了9.17%,相较于域对抗神经网络提高了5.0%。实验结果表明,所提方法能够有效减小不同被试间脑电数据分布以及特征分布差异,实现数据和特征双重对齐,从而提升跨被试运动想象脑电分类性能。