运动想象脑电信号的跨被试动态多域对抗学习方法

解码运动想象脑电(EEG)信号是构造脑机接口(BCI)的关键技术之一。然而,脑电样本采集成本高、个体差异大,且信号具有时变性强、低信噪比等特点,构建跨被试模式识别方法成为了研究的关键。为此,提出一种跨被试动态多域对抗学习方法。首先采用样本协方差对齐和全局域鉴别器适应样本集边缘分布,随后采用多个类别子域鉴别器适应样本集条件分布,并自适应学习多域鉴别器的对抗系数。基于动态多域对抗学习策略,所提出的动态多域对抗网络(DMDAN)模型可学习到被试域间有泛化能力的深度特征。在BCI Competition IV 2A和2B公开数据集上的实验结果表明,DMDAN模型提高了跨被试域不变特征的学习能力,与现有对抗学习方法DRDA(Deep Representation Domain Adaptation)相比,在数据集2A和数据集2B上的平均分类准确率分别提高了1.80和2.52个百分点。可见,所提出的DMDAN模型提升了跨被试运动想象脑电信号解码性能,在不同数据集上具有不错的泛化性。

运动想象脑电信号的跨域特征学习方法

运动想象脑电信号采集成本高且个体差异大,跨个体域构建脑电信号模式识别模型属于典型的小样本跨域学习任务。针对该任务,提出了一种运动想象脑电信号的跨域特征学习方法。该方法首先选择最优度量方法对齐协方差并提取共同空间模式特征;其次,在该特征基础上采用领域自适应方法学习目标域的最优跨域特征。为验证所提方法的可行性与有效性,采用经典模型识别跨域特征,在两个公开的数据集上进行对比实验。实验结果表明,通过所提方法学习到的跨域特征,在运动想象模式识别中明显优于现有方法学习到的特征。此外,还详细对比了跨域特征学习方法的各项参数设置、性能及效率。