运动想象 (MI) 迁移学习系列 (9) : 数据对齐（EA）

运动想象迁移学习系列:数据对齐（EA）

0. 引言
1. 迁移学习算法流程
2. 欧式对齐算法流程
3. 与RA算法进行对比
4. 实验结果对比
5. 总结
欢迎来稿

论文地址：https://ieeexplore.ieee.org/abstract/document/8701679
论文题目：Transfer Learning for Brain–Computer Interfaces: A Euclidean Space Data Alignment Approach
论文代码：https://github.com/hehe03/EA/blob/master/main_MI.m

0. 引言

本篇博客重点考虑数据对齐部分，因为其对后续迁移学习的效果影响非常大。
数据对齐有多种方法，如黎曼对齐(Riemannian Alignment, RA)、欧式对齐(Euclidean Alignment, EA)、标签对齐(Label Alignment, LA)、重心对齐(Centroid Alignment, CA) 等。下面重点介绍EA。

1. 迁移学习算法流程

迁移学习算法流程如图11所示。可以看到数据对齐的位置所在！！！
在这里插入图片描述

2. 欧式对齐算法流程

欧式对齐算法流程如图12所示。其处理源域用户和目标域用户的方式是一样的，所以下面描述中不区分源域用户和目标域用户。假定一个用户有n段EEG样本。EA先计算每段EEG样本的协方差矩阵，再计算这n个协方差矩阵的均值，记为 $\overline{R}$ 。对齐矩阵即为 $\overline{R}^{-1/2}$ 。对每段EEG样本，左乘 $\overline{R}^{-1/2}$ ，得到一个跟原始EEG样本维度相同的样本，用于取代进行所有后续计算，如空域滤波、特征提取、分类等。EA简单有效，主要原因是对齐之后任意用户的EEG样本协方差矩阵的均值都为单位矩阵，整体分布更加一致。这有点类似迁移学习中经常考虑的最大均值差异(Maximum Mean Discrepancy, MMD)度量。

在这里插入图片描述

3. 与RA算法进行对比

RA与EA对比如图13所示。EA计算更快，无需任何标签信息，并且之后可以搭配任意欧式空间滤波器、特征提取、分类器等，使用更加灵活。实验证明，EA的效果提升也比RA更加明显。
在这里插入图片描述

4. 实验结果对比

我们在两个运动想象数据集（MI1、MI2）和一个事件相关电位数据集（ERP）上验证了EA的效果。MI2上的t-SNE可视化如图14所示。第一行中蓝色的点代表来自8个源域用户的数据分布，红色的点是目标域用户（用户1）的数据分布。显然，EA对齐之前，源域和目标域数据分布差异很大。EA对齐之后，二者分布非常一致，有利于之后的迁移学习。第二行是用户2作为目标域时的结果，跟第一行结果类似。