[论文解读] Transfer Learning in Brain-Computer Interfaces

Vinay Jayaram, Morteza Alamgir+3 more|arXiv (Cornell University)|Dec 1, 2015

EEG and Brain-Computer Interfaces参考文献 41被引用 118

一句话总结

该论文提出了一种用于脑-计算机接口（BCIs）的新型迁移学习框架，通过在任意特征空间中学习共享决策边界先验，实现在不同受试者和会话之间的知识迁移，采用融合稀疏性的多任务回归方法。该方法在运动想象和肌萎缩侧索硬化（ALS）患者数据上均优于标准的数据池化和先验迁移方法，在极少训练试验下实现了高精度，有效利用了脑电信号中的共享结构。

ABSTRACT

The performance of brain-computer interfaces (BCIs) improves with the amount of available training data, the statistical distribution of this data, however, varies across subjects as well as across sessions within individual subjects, limiting the transferability of training data or trained models between them. In this article, we review current transfer learning techniques in BCIs that exploit shared structure between training data of multiple subjects and/or sessions to increase performance. We then present a framework for transfer learning in the context of BCIs that can be applied to any arbitrary feature space, as well as a novel regression estimation method that is specifically designed for the structure of a system based on the electroencephalogram (EEG). We demonstrate the utility of our framework and method on subject-to-subject transfer in a motor-imagery paradigm as well as on session-to-session transfer in one patient diagnosed with amyotrophic lateral sclerosis (ALS), showing that it is able to outperform other comparable methods on an identical dataset.

研究动机与目标

• 解决由于受试者和会话之间脑电信号分布差异导致的BCI性能下降问题。
• 开发一种不依赖于空间滤波或领域自适应的迁移学习方法，以实现跨受试者和会话的泛化。
• 通过利用来自多个受试者或会话的先验数据，实现高效、低延迟的BCI校准。
• 提供一种与任意特征空间和目标函数兼容的灵活框架，增强对新型BCI范式适应能力。

提出的方法

• 提出一种多任务学习框架，通过在权重向量上共享先验分布，联合学习多个受试者或会话的决策边界。
• 引入一种融合稀疏性正则化（FD回归），以促进不同任务间共享的空间和频率权重模式。
• 采用分层贝叶斯模型推断权重向量的先验，实现从已有受试者向新受试者的知识迁移。
• 使用迭代优化方案更新先验和任务特定权重，FD正则化显著加速收敛。
• 将该框架应用于运动想象和一种新型认知BCI范式，使用脑电信号特征，且对电极选择无先验约束。
• 通过在决策边界空间中建模共享结构，支持受试者间和会话间的知识迁移。

实验结果

研究问题

• RQ1 当训练数据受限时，迁移学习是否能通过减少跨受试者和会话的校准时间来提升BCI性能？
• RQ2 在处理受试者间和会话间脑电信号差异方面，共享决策边界权重先验与简单数据池化或领域自适应相比有何优势？
• RQ3 具有融合稀疏性的多任务学习框架是否能在多样化的脑电信号特征空间和BCI范式中实现有效泛化？
• RQ4 所提出的FD回归方法在高维脑电信号数据上是否相比标准多任务学习实现更快收敛和更优性能？
• RQ5 该框架在完成个体特定校准前，能在多大程度上用于快速评估新型BCI范式？

主要发现

• 在运动想象BCI的受试者间迁移中，所提框架优于标准数据池化和先验迁移方法，在显著更少的训练试验下实现了相当或更高的分类准确率。
• 在ALS患者会话间迁移中，该方法仅需极少重训练即实现了高分类准确率，证明了其对长期脑电信号变异的鲁棒性。
• 由于样本数与特征数之比更优，FD回归变体相比非FD方法收敛速度快一个数量级以上，尽管增加了额外的优化循环。
• 该方法在高维脑电信号特征空间中表现出色，即使大量特征对分类有贡献，仍保持鲁棒性。
• 该框架无需对最优电极位置或信号频带做先验假设，即可实现有效知识迁移，因而可灵活适配新范式。
• 该方法可扩展至其他目标函数，表明其在所测试回归设置之外也具有广泛适用性。