[论文解读] Transfer Learning for Brain-Computer Interfaces: A Euclidean Space Data Alignment Approach

He He, Dongrui Wu|arXiv (Cornell University)|Aug 8, 2018

EEG and Brain-Computer Interfaces参考文献 43被引用 6

一句话总结

本文提出了一种用于基于EEG的脑-计算机接口（BCI）迁移学习的新型欧几里得空间数据对齐（EA）方法，该方法直接在欧几里得空间中对不同受试者之间的原始EEG试验进行对齐，以减少受试者间的差异性。该方法使任何标准信号处理与机器学习流程均可在对齐后应用，计算速度显著快于黎曼空间方法，且无需新受试者的标注数据，可在运动想象和事件相关电位任务的离线与模拟在线实验中超越当前最先进方法的表现。

ABSTRACT

Objective: This paper targets a major challenge in developing practical EEG-based brain-computer interfaces (BCIs): how to cope with individual differences so that better learning performance can be obtained for a new subject, with minimum or even no subject-specific data? Methods: We propose a novel approach to align EEG trials from different subjects in the Euclidean space to make them more similar, and hence improve the learning performance for a new subject. Our approach has three desirable properties: 1) it aligns the EEG trials directly in the Euclidean space, and any signal processing, feature extraction and machine learning algorithms can then be applied to the aligned trials; 2) its computational cost is very low; and, 3) it is unsupervised and does not need any label information from the new subject. Results: Both offline and simulated online experiments on motor imagery classification and event-related potential classification verified that our proposed approach outperformed a state-of-the-art Riemannian space data alignment approach, and several approaches without data alignment. Conclusion: The proposed Euclidean space EEG data alignment approach can greatly facilitate transfer learning in BCIs. Significance: Our proposed approach is effective, efficient, and easy to implement. It could be an essential pre-processing step for EEG-based BCIs.

研究动机与目标

• 解决基于EEG的BCI系统中受试者间差异性带来的挑战，该问题阻碍了迁移学习并需要大量受试者特定的校准数据。
• 克服现有黎曼空间数据对齐方法的局限性，包括计算成本高以及依赖新受试者标注数据的问题。
• 开发一种通用、高效且无监督的数据对齐技术，适用于任何EEG信号处理与机器学习流程。
• 通过在欧几里得空间中直接对齐EEG试验，实现在BCI中有效迁移学习，以最少甚至无需新用户标注数据提升分类准确率。

提出的方法

• 提出一种欧几里得空间数据对齐（EA）方法，通过从多个受试者数据中联合提取的参考矩阵，将不同受试者的EEG试验变换到共享参考空间。
• 将多个源受试者的协方差矩阵平均，构建参考矩阵 $\bar{R}$，作为对齐新受试者试验的共同参考。
• 使用 $\bar{R}$ 的平方根的逆矩阵对每个新受试者的EEG试验应用线性变换，有效将其协方差结构对齐至参考标准。
• 将对齐后的试验输入标准机器学习模型（如xDAWN和SVM），或基于MDRM的分类器，确保与现有BCI流程的广泛兼容性。
• 通过仅依赖源受试者未标注数据，确保方法为无监督，无需目标受试者标注试验。
• 通过在运动想象和事件相关电位数据集上进行离线与模拟在线实验，验证该方法性能，并与黎曼对齐（RA）及基线方法进行比较。

实验结果

研究问题

• RQ1 是否可以通过欧几里得空间数据对齐方法，在无需新受试者标注数据的前提下，提升基于EEG的BCI中迁移学习的性能？
• RQ2 所提出的EA方法在性能与计算效率方面与当前最先进的黎曼空间对齐（RA）方法相比如何？
• RQ3 在欧几里得空间中直接对齐EEG试验，是否能保持或增强空间（MI）与时间（ERP）EEG模式的判别性信息？
• RQ4 EA在多大程度上减少了EEG数据中的受试者间差异性？是否缓解了迁移学习中的负迁移问题？

主要发现

• 所提出的EA方法在运动想象和ERP数据集的离线与模拟在线分类任务中，均显著优于黎曼空间对齐（RA）方法。
• 在模拟在线ERP分类中，EA在全部11名受试者中的平均BCA（平衡分类准确率）均高于RA-MDRM与xDAWN-SVM，且差异具有统计学显著性（p < 0.01）。
• 在模拟在线ERP分类中，EA-xDAWN-SVM的平均AUC达到0.92，显著优于RA-MDRM（p = 0.0000）与xDAWN-SVM（p = 0.0191）。
• EA方法的计算速度比RA快数倍，展现出适用于实时BCI应用的高计算效率。
• 该方法在多种EEG任务中表现有效，对基于MI与ERP的BCI范式均实现了稳定性能提升。
• 尽管整体性能表现强劲，EA在所有受试者中并未全部提升分类效果，表明仍存在概念漂移或异常试验等残余挑战。