[论文解读] Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made Since 2016

Dongrui Wu, Yifan Xu+1 more|arXiv (Cornell University)|Apr 13, 2020

EEG and Brain-Computer InterfacesNeuroscience参考文献 117被引用 17

一句话总结

本文综述了自2016年以来基于脑电信号（EEG）的脑机接口（BCI）中迁移学习（TL）方法的发展，聚焦于六种范式下的跨被试、跨会话、跨设备和跨任务迁移：运动想象、事件相关电位、稳态视觉诱发电位、情感型BCI、回归问题以及对抗攻击。研究识别出黎曼几何与深度学习作为新兴的关键技术，指出跨任务迁移等区域仍待深入探索，并强调将TL与其他方法（如主动学习）结合，可进一步提升性能并减少校准需求。

ABSTRACT

A brain-computer interface (BCI) enables a user to communicate with a computer directly using brain signals. The most common non-invasive BCI modality, electroencephalogram (EEG), is sensitive to noise/artifact and suffers between-subject/within-subject non-stationarity. Therefore, it is difficult to build a generic pattern recognition model in an EEG-based BCI system that is optimal for different subjects, during different sessions, for different devices and tasks. Usually, a calibration session is needed to collect some training data for a new subject, which is time-consuming and user unfriendly. Transfer learning (TL), which utilizes data or knowledge from similar or relevant subjects/sessions/devices/tasks to facilitate learning for a new subject/session/device/task, is frequently used to reduce the amount of calibration effort. This paper reviews journal publications on TL approaches in EEG-based BCIs in the last few years, i.e., since 2016. Six paradigms and applications -- motor imagery, event-related potentials, steady-state visual evoked potentials, affective BCIs, regression problems, and adversarial attacks -- are considered. For each paradigm/application, we group the TL approaches into cross-subject/session, cross-device, and cross-task settings and review them separately. Observations and conclusions are made at the end of the paper, which may point to future research directions.

研究动机与目标

• 系统回顾2016年以来基于EEG的脑机接口（BCI）中迁移学习（TL）的最新进展。
• 分析六种BCI范式（运动想象、事件相关电位、稳态视觉诱发电位、情感型BCI、回归问题和对抗攻击）中TL方法的应用。
• 评估TL在跨被试、跨会话、跨设备和跨任务设置下的有效性，以减轻EEG-BCI系统中的校准负担。
• 识别研究空白与新兴趋势，特别是跨任务迁移等尚未充分探索的领域，以及与主动学习结合的可能性。
• 为开发更稳健、泛化能力更强且用户友好的EEG-BCI系统提供未来发展方向的见解。

提出的方法

• 本文对2016年至今发表的关于EEG-BCI中迁移学习的期刊文献开展系统性综述，按迁移设置（跨被试/会话、跨设备、跨任务）对方法进行分类。
• 针对每种BCI范式，根据其核心技术（如领域自适应、度量学习、深度神经网络）对TL方法进行分组与分析。
• 重点回顾的技术包括：用于协方差矩阵建模的黎曼几何、EEGNet和Deep ConvNet等深度学习架构，以及转移核共空间模式（TK-CSP）等信号处理方法。
• 评估了试次对齐方法（如黎曼对齐、范例对齐）、特征选择方法（如CSDF-ReliefF、CSDF-mRMR），以及与信号滤波和表征学习的集成。
• 还探讨了在对抗性设置下的迁移学习，利用对抗样本在不同模型与领域间的可迁移性。
• 讨论了将TL与其他机器学习技术（如主动学习）结合，作为进一步减少校准数据需求的潜在路径。

实验结果

研究问题

• RQ1 自2016年以来，EEG-BCI中的迁移学习方法在不同范式与迁移设置下如何演变？
• RQ2 在跨被试与跨会话EEG-BCI应用中，哪些TL技术最有效地减少了校准时间？
• RQ3 TL在新兴BCI应用（如情感型BCI和基于回归的用户状态估计）中可应用到何种程度？
• RQ4 为何EEG-BCI中的跨任务迁移研究仍基本处于空白状态？发展此类方法可能带来哪些潜在优势？
• RQ5 如何有效结合TL与对抗攻击框架，以提升EEG-BCI系统中攻击的可迁移性？

主要发现

• 跨被试与跨会话迁移仍是研究最集中的方向，领域自适应与基于深度学习的方法已取得显著进展。
• 黎曼几何与深度学习已成为主流方法，尤其在建模EEG协方差矩阵与学习不变表征方面表现突出。
• 自2016年以来仅发现一项关于跨任务迁移的研究，表明该领域存在重大研究空白。
• EEG-BCI中的对抗攻击可受益于对抗样本的可迁移性，而显式引入TL可提升黑箱场景下的攻击成功率。
• TL的应用不仅限于分类任务，还可拓展至信号滤波（如TK-CSP）、特征选择（如CSDF-ReliefF）与试次对齐（如RA、EA），从而整体提升系统性能。
• TL与主动学习的结合已被证明可进一步减少校准数据需求，提示未来BCI系统中采用此类混合方法具有广阔前景。