[论文解读] Domain Generalization for Session-Independent Brain-Computer Interface

Dong‐Kyun Han, Ji-Hoon Jeong|arXiv (Cornell University)|Dec 7, 2020

EEG and Brain-Computer Interfaces参考文献 35被引用 6

一句话总结

本文提出一种领域自适应（DG）方法，利用深度学习在无需校准的情况下实现与会话无关的脑机接口（BCI）性能，训练数据为多被试/会话的脑电信号（EEG）。研究发现，更深的模型如ResNet1D-18表现更优，且出人意料的是，标准的经验风险最小化（ERM）方法优于显式的DG算法；而针对个体被试的微调反而因会话间差异性而损害泛化能力。

ABSTRACT

The inter/intra-subject variability of electroencephalography (EEG) makes the practical use of the brain-computer interface (BCI) difficult. In general, the BCI system requires a calibration procedure to acquire subject/session-specific data to tune the model every time the system is used. This problem is recognized as a major obstacle to BCI, and to overcome it, an approach based on domain generalization (DG) has recently emerged. The main purpose of this paper is to reconsider how the zero-calibration problem of BCI for a realistic situation can be overcome from the perspective of DG tasks. In terms of the realistic situation, we have focused on creating an EEG classification framework that can be applied directly in unseen sessions, using only multi-subject/-session data acquired previously. Therefore, in this paper, we tested four deep learning models and four DG algorithms through leave-one-session-out validation. Our experiment showed that deeper and larger models were effective in cross-session generalization performance. Furthermore, we found that none of the explicit DG algorithms outperformed empirical risk minimization. Finally, by comparing the results of fine-tuning using subject-specific data, we found that subject-specific data may deteriorate unseen session classification performance due to inter-session variability.

研究动机与目标

• 为解决脑机接口（BCI）中的主要实际障碍——会话特异性校准，通过领域自适应实现零校准性能。
• 评估领域自适应算法是否在超越标准经验风险最小化（ERM）的基础上，提升跨会话EEG分类性能。
• 研究个体被试微调对EEG运动想象分类中未见会话性能的影响。
• 确定在因被试间/被试内差异性导致的领域偏移下，最适合实现会话无关EEG分类的深度学习架构。

提出的方法

• 采用留一 Session 交叉验证协议，将每个会话视为独立领域。
• 在多被试/会话EEG数据上训练并比较四种深度学习模型：DeepConvNet、EEGNet、ResNet1D-8 和 ResNet1D-18。
• 评估四种领域自适应（DG）算法——DANN、GroupDRO、Mixup 和 ERM——在泛化至未见会话方面的能力。
• 通过随机搜索在学习率、批量大小和自适应参数上进行超参数搜索，每项实验使用三个随机种子。
• 使用每个被试的第一会话数据进行微调，以评估其对未见会话性能的影响。
• 模型选择采用来自源域的验证集，遵循DG文献惯例，以避免数据泄露。

实验结果

研究问题

• RQ1 与标准经验风险最小化（ERM）相比，领域自适应技术是否能提升BCI中会话无关EEG分类性能？
• RQ2 在联合训练多被试/会话EEG数据时，增加模型深度和容量是否能增强跨会话泛化能力？
• RQ3 由于会话间差异性，使用个体被试特定数据进行微调在多大程度上会降低在未见会话中的性能？
• RQ4 在领域自适应设置下，哪种深度学习架构在会话无关EEG分类中表现最佳？

主要发现

• ResNet1D-18 在所有被试中实现了 62.58% 的平均准确率，优于 EEGNet（58.61%）、DeepConvNet（57.51%）和 ResNet1D-8（59.11%），在会话无关分类中表现最佳。
• 经验风险最小化（ERM）优于所有显式领域自适应算法，其中 DANN、GroupDRO 和 Mixup 分别导致性能下降 0.89%、2.43% 和 1.76%。
• 使用个体被试第一会话数据进行微调导致平均准确率下降，表明此类数据可能因会话间差异性而损害泛化能力。
• 当有足够的多会话数据时，更深、更大的模型在跨会话泛化方面更有效，表明在数据丰富的DG设置中，模型容量具有优势。